EA
Ella Anttila
Author with expertise in Comprehensive Integration of Single-Cell Transcriptomic Data
Achievements
Open Access Advocate
Key Stats
Upvotes received:
0
Publications:
2
(100% Open Access)
Cited by:
2
h-index:
2
/
i10-index:
1
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
0

Tribus: Semi-automated discovery of cell identities and phenotypes from multiplexed imaging and proteomic data

Ziqi Kang et al.Mar 14, 2024
+7
T
A
Z
Abstract Multiplexed imaging at single-cell resolution is becoming widely used to decipher the role of the cellular microenvironment in cancer and other complex diseases. To identify spatial patterns of single cells on a tissue, accurate cell-type phenotyping is a crucial step. This step is challenging due to (i) fluorescence noise and batch effects, (ii) segmentation artifacts, (iii) laborious annotation of ground truth, and (iv) difficulty in reproducing human-biased thresholding. Here we present Tribus, an interactive, knowledge-based classifier that avoids hard-set thresholds and manual labeling, is robust to noise, and takes fewer iterations from the user than current methods of labeling. Tribus has built-in visualization functions to gain insight into the input data and to evaluate the results. The Napari plug-in provides a user-friendly way to visualize the results and perform quality control. In this study, we validate the accuracy of Tribus by comparing its results to labels in public benchmarking datasets where manual cell type annotations are supported by the pathology community. We applied Tribus on a cyclic immunofluorescence (CyCIF) dataset, consisting of five matched ovarian cancer samples collected before and after neoadjuvant chemotherapy. Accurate cell-type phenotyping enabled a high-resolution analysis of cellular phenotypes, their spatial patterns, and their temporal dynamics during platinum-taxane chemotherapy. Tribus is provided as an easily embeddable open-source package and enables accurate phenotyping of single cells to facilitate biological discovery from highly multiplexed images.
1

Single-cell spatial atlas of tertiary lymphoid structures in ovarian cancer

Joona Sarkkinen et al.May 18, 2023
+7
E
A
J
Abstract Background Recent advances in highly-multiplexed tissue technologies and image analysis tools have enabled a more detailed investigation of the tumor microenvironment (TME) and its spatial features, including tertiary lymphoid structures (TLSs), at single-cell resolution. TLSs play a major part in antitumor immune responses, however, their role in antitumor immunity in ovarian cancer remains largely unexplored. Methods In this study, we generated a comprehensive single-cell spatial atlas of TLSs in ovarian cancer by extracting spatial topology information from in-situ highly-multiplexed cellular imaging using tissue cyclic immunofluorescence (CyCIF). Our analysis included 44 patients with high-grade serous ovarian cancer (HGSC) from the TOPACIO Phase II clinical trial. We combined spatial and phenotypic features from 302,545 single-cells with histopathology, targeted sequencing-based tumor molecular groups, and Nanostring gene expression data. Results We find that TLSs are associated with a distinct TME composition and gene expression profile, characterized by elevated levels of the chemokines CCL19, CCL21, and CXCL13 correlating with the number of TLSs in the tumors. Using single-cell feature quantification and spatial mapping, we uncover enriched germinal center (GC) B cell infiltration and selective spatial attraction to follicular helper T and follicular regulatory T cells in the TLSs from chemo-exposed and BRCA1 mutated HGSCs. Importantly, spatial statistics reveal three main groups of cell-to-cell interactions; significantly enriched structural compartments of CD31+ cells, myeloid, and stromal cell types, homotypic cancer cell- and cancer cell to IBA1+ myeloid cell crosstalk, and enriched selective Tfh, Tfr, and Tfc communities with predominant Tfh - GC B cell interactions. Finally, we report spatiotemporal gradients of GC-B cell interactions during TLS maturation, with enriched non-GC B cell attraction towards the GC B cells in early TLSs, and avoidance patterns with selective GC B-cell communities in the TLSs with GCs. Conclusions Our single-cell multi-omics analyses of TLSs showed evidence of active adaptive immunity with spatial and phenotypic variations among distinct clinical and molecular subtypes of HGSC. Overall, our findings provide new insights into the spatial biology of TLSs and have the potential to improve immunotherapeutic targeting of ovarian cancer. What is already known on this topic TLSs play a major part in antitumor immune responses, however, their exact role and mechanisms in antitumor immunity are widely unexplored. What this study adds Our results deepen the understanding of TLS biology including cell-cell interactions and shows how the presence of TLSs is characterized with a distinct TME composition and gene expression profile. How this study might affect research, practice or policy Overall, our findings provide new insights into the spatial biology of TLSs and have the potential to improve therapeutic options for ovarian cancer.