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.

Abstract Motivation Single-cell proteomics technologies, such as mass cytometry, have enabled characterization of cell-to-cell variation and cell populations at a single cell resolution. These large amounts of data, however, require dedicated, interactive tools for translating the data into knowledge. Results We present a comprehensive, interactive method called Cyto to streamline analysis of large-scale cytometry data. Cyto is a workflow-based open-source solution that automatizes the use of of state-of-the-art single-cell analysis methods with interactive visualization. We show the utility of Cyto by applying it to mass cytometry data from peripheral blood and high-grade serous ovarian cancer (HGSOC) samples. Our results show that Cyto is able to reliably capture the immune cell sub-populations from peripheral blood as well as cellular compositions of unique immune- and cancer cell subpopulations in HGSOC tumor and ascites samples. Availability The method is available as a Docker container at https://hub.docker.com/r/anduril/cyto and the user guide and source code are available at https://bitbucket.org/anduril-dev/cyto Contact sampsa.hautaniemi@helsinki.fi Supplementary information Supplementary material is available and FCS files are hosted at flowrepository.org/id/FR-FCM-Z2LW

ABSTRACT Homologous recombination DNA-repair deficiency (HRD) is a common driver of genomic instability and confers a therapeutic vulnerability in cancer. The accurate detection of somatic allelic imbalances (AIs) has been limited by methods focused on BRCA1/2 mutations and using mixtures of cancer types. Using pan-cancer data, we revealed distinct patterns of AIs in high-grade serous ovarian cancer (HGSC). We used machine learning and statistics to generate improved criteria to identify HRD in HGSC (ovaHRDscar). ovaHRDscar significantly predicted clinical outcomes in three independent patient cohorts with higher precision than previous methods. Characterization of 98 spatiotemporally distinct metastatic samples revealed low intra-patient variation and indicated the primary tumor as the preferred site for clinical sampling in HGSC. Further, our approach improved the prediction of clinical outcomes in triple-negative breast cancer (tnbcHRDscar), validated in two independent patient cohorts. In conclusion, our tumor-specific, systematic approach has the potential to improve patient selection for HR-targeted therapies.

Primary therapy for diffuse large B-cell lymphoma (DLBCL) is an immunochemotherapy regimen comprising rituximab, cyclophosphamide, doxorubicin, vincristine, and prednisone (R-CHOP). While R-CHOP cures 60% of the patients with DLBCL, those who do not respond or relapse have dismal prognosis, and effective treatment strategies are needed. Due to the plastic nature of the epigenome and its fundamental role in regulating cell identity, we hypothesized that reprogramming the epigenome can overcome resistance to R-CHOP. We developed a novel drug screening protocol to identify epigenetic modifiers that sensitize DLBCL cell lines to immunochemotherapy. Of the herein tested 60 epigenetic compounds, we identified several histone deacetylase (HDAC) and histone methyltransferase (HMT) inhibitors that acted synergistically with immunochemotherapy. We show that sensitization through HDAC and HMT inhibitors is achieved by dysregulating homologous recombination, a central DNA repair pathway, as well as by disrupting the cell cycle and affecting the apoptotic pathway. Epigenetic inhibitors are well-tolerated, which together with our findings support their use in combination with immunochemotherapy in patients with primary refractory and relapsed DLBCL.

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.