Abstract Cell-cell interactions shape cellular function and ultimately organismal phenotype. However, the code embedded in the molecular interactions driving and sustaining the spatial organization of cells remains to be elucidated. Here we present a computational framework to infer the spatial code underlying cell-cell interactions from the transcriptomes of the cell types across the whole body of a multicellular organism. As core of this framework, we introduce our tool cell2cell , which uses the coexpression of ligand-receptor pairs to compute the potential for intercellular interactions, and we test it across the Caenorhabditis elegans ’ body. Leveraging a 3D atlas of C. elegans ’ cells, we also implement a genetic algorithm to identify the ligand-receptor pairs most informative of the spatial organization of cells. Validating the spatial code extracted with this strategy, the resulting intercellular distances are negatively correlated with the inferred cell-cell interactions. Furthermore, for selected cell-cell and ligand-receptor pairs, we experimentally confirm the communicatory behavior inferred with cell2cell and the genetic algorithm. Thus, our framework helps identify a code that predicts the spatial organization of cells across a whole-animal body.

Abstract Cell interactions determine phenotypes, and intercellular communication is shaped by cellular contexts such as disease state, organismal life stage, and tissue microenvironment. Single-cell technologies measure the molecules mediating cell-cell communication, and emerging computational tools can exploit these data to decipher intercellular communication. However, current methods either disregard cellular context or rely on simple pairwise comparisons between samples, thus limiting the ability to decipher complex cell-cell communication across multiple time points, levels of disease severity, or spatial contexts. Here we present Tensor-cell2cell, an unsupervised method using tensor decomposition, which is the first strategy to decipher context-driven intercellular communication by simultaneously accounting for multiple stages, states, or locations of the cells. To do so, Tensor-cell2cell uncovers context-driven patterns of communication associated with different phenotypic states and determined by unique combinations of cell types and ligand-receptor pairs. As such, Tensor-cell2cell robustly improves upon and extends the analytical capabilities of existing tools. We show Tensor-cell2cell can identify multiple modules associated with distinct communication processes (e.g., participating cell-cell and ligand receptor pairs) linked to COVID-19 severities and Autism Spectrum Disorder. Thus, we introduce an effective and easy-to-use strategy for understanding complex communication patterns across diverse conditions.

Abstract Cell-cell communication involves multiple classes of molecules, diverse interacting cells, and complex spatiotemporal dynamics. While this communication can be inferred from single-cell RNA-seq, no computational methods can account for both protein and metabolite ligands simultaneously, while also accounting for the temporal dynamics. We adapted Tensor-cell2cell here to study several time points simultaneously and jointly incorporate both ligand types. Our approach detects temporal dynamics of cell-cell communication during brain development, allowing for the detection of the concerted use of key protein and metabolite ligands by pertinent interacting cells.

Abstract A hallmark of amyloid disorders, such as Alzheimer’s disease, is aggregation of secreted proteins. However, it is largely unclear how the hundreds of secretory pathway proteins contribute to amyloid formation. We developed a systems biology framework that integrates expression data with protein-protein interaction networks to successfully estimate a tissue’s fitness for producing specific secreted proteins. Using this framework, we analyzed the fitness of the secretory pathway of various brain regions and cell types for synthesizing the Alzheimer’s disease-associated amyloid-precursor protein (APP). While none of the key amyloidogenic pathway components were differentially expressed in AD brain, we found the deposition of Aβ is associated with repressed expression of the secretory pathway components proximal to APP. Concurrently, we detected systemic up-regulation of the secretory pathway components proximal to β- and γ-secretases in AD brains. Our analyses suggest that perturbations from 3 high confidence AD risk genes cascade through the secretory machinery support network for APP and into the endocytosis pathway. Thus, we present a model where amyloidogenesis is associated with dysregulation of dozens of secretory pathway components supporting APP, which could yield novel therapeutic targets for the treatment of AD.

Multiphoton microscopy is a powerful technique for deep in vivo imaging in scattering samples. However, it requires precise, sample-dependent increases in excitation power with depth in order to maintain signal while minimizing photodamage. We show that cells with identical fluorescent labels imaged in situ can be used to train a physics-based machine learning model that solves this problem. After this training has been performed, the correct illumination power can be predicted and adaptively adjusted at each point in a 3D volume on subsequent samples as a function of the sample’s shape, without the need for specialized fluorescent labelling. We use this technique for in vivo imaging of immune responses in mouse lymph nodes following vaccination, with imaging volumes 2-3 orders of magnitude larger than previously reported. We achieve visualization of physiologically realistic numbers of antigen-specific T cells for the first time, and demonstrate changes in the global organization and motility of dendritic cell networks during the early stages of the immune response.

The anti-tumor function of engineered T cells expressing chimeric antigen receptors (CARs) is dependent on signals transduced through intracellular signaling domains (ICDs). Different ICDs are known to drive distinct phenotypes, but systematic investigations into how ICD architectures direct T cell function, particularly at the molecular level, are lacking. Here, we use single-cell sequencing to map diverse signaling inputs to transcriptional outputs, focusing on a defined library of clinically relevant ICD architectures. Informed by these observations, we functionally characterize transcriptionally distinct ICD variants across various contexts to build comprehensive maps from ICD composition to phenotypic output. We identify a unique tonic signaling signature associated with a subset of ICD architectures that drives durable in vivo persistence and efficacy in liquid, but not solid, tumors. Our findings work toward decoding CAR signaling design principles, with implications for the rational design of next-generation ICD architectures optimized for in vivo function.

RNA-Seq is ubiquitous, but depending on the biological question or the sample source, some RNA-Seq collection methods require variable or sub-optimal sample handling. Rare tissue may need to be fixed or frozen prior to library preparation, or samples may remain at room temperature while other samples or reagents are handled. These challenges create uncharacterized impacts on sample quality. Understanding the relevant experimental factors that impact sample quality is crucial to ensuring reproducible RNA-Seq results. Here, we tested the susceptibility of poly(A)-enriched RNA-Seq results after multiple freeze-thaw cycles. We assessed sample quality independently of RIN by simulating read count variability to quantify the noise between technical replicates. Each additional freeze-thaw cycle increased the random counts between technical replicates by approximately 4%. Additionally, after three freeze-thaw cycles, differential expression reproducibility decreased substantially. The use of poly(A)-enrichment for RNA sequencing is prevalent in library preparation of frozen tissue, and thus, it is important during experimental design and data analysis to consider the impact of repeated freeze-thaw cycles on reproducibility.### Competing Interest StatementThe authors have declared no competing interest.

In recent years, data-driven inference of cell-cell communication has helped reveal coordinated biological processes across cell types. While multiple cell-cell communication tools exist, results are specific to the tool of choice, due to the diverse assumptions made across computational frameworks. Moreover, tools are often limited to analyzing single samples or to performing pairwise comparisons. As experimental design complexity and sample numbers continue to increase in single-cell datasets, so does the need for generalizable methods to decipher cell-cell communication in such scenarios. Here, we integrate two tools, LIANA and Tensor-cell2cell, which combined can deploy multiple existing methods and resources, to enable the robust and flexible identification of cell-cell communication programs across multiple samples. In this protocol, we show how the integration of our tools facilitates the choice of method to infer cell-cell communication and subsequently perform an unsupervised deconvolution to obtain and summarize biological insights. We explain how to perform the analysis step-by-step in both Python and R, and we provide online tutorials with detailed instructions available at https://ccc-protocols.readthedocs.io/. This protocol typically takes ~1.5h to complete from installation to downstream visualizations on a GPU-enabled computer, for a dataset of ~63k cells, 10 cell types, and 12 samples.