Summary

 Glioblastomas are malignant tumors of the central nervous system hallmarked by subclonal diversity and dynamic adaptation amid developmental hierarchies. The source of dynamic reorganization within the spatial context of these tumors remains elusive. Here, we characterized glioblastomas by spatially resolved transcriptomics, metabolomics, and proteomics. By deciphering regionally shared transcriptional programs across patients, we infer that glioblastoma is organized by spatial segregation of lineage states and adapts to inflammatory and/or metabolic stimuli, reminiscent of the reactive transformation in mature astrocytes. Integration of metabolic imaging and imaging mass cytometry uncovered locoregional tumor-host interdependence, resulting in spatially exclusive adaptive transcriptional programs. Inferring copy-number alterations emphasizes a spatially cohesive organization of subclones associated with reactive transcriptional programs, confirming that environmental stress gives rise to selection pressure. A model of glioblastoma stem cells implanted into human and rodent neocortical tissue mimicking various environments confirmed that transcriptional states originate from dynamic adaptation to various environments.

Abstract Glioblastomas are highly malignant tumors of the central nervous system. Evidence suggests that these tumors display large intra- and inter-patient heterogeneity hallmarked by subclonal diversity and dynamic adaptation amid developmental hierarchies 1–3 . However, the source for dynamic reorganization of cellular states within their spatial context remains elusive. Here, we in-depth characterized glioblastomas by spatially resolved transcriptomics, metabolomics and proteomics. By deciphering exclusive and shared transcriptional programs across patients, we inferred that glioblastomas develop along defined neural lineages and adapt to inflammatory or metabolic stimuli reminiscent of reactive transformation in mature astrocytes. Metabolic profiling and imaging mass cytometry supported the assumption that tumor heterogeneity is dictated by microenvironmental alterations. Analysis of copy number variation (CNV) revealed a spatially cohesive organization of subclones associated with reactive transcriptional programs, confirming that environmental stress gives rise to selection pressure. Deconvolution of age-dependent transcriptional programs in malignant and non-malignant specimens identified the aging environment as the major driver of inflammatory transformation in GBM, suggesting that tumor cells adopt transcriptional programs similar to inflammatory transformation in astrocytes. Glioblastoma stem cells implanted into human neocortical slices of varying age levels, independently confirmed that the ageing environment dynamically shapes the intratumoral heterogeneity towards reactive transcriptional programs. Our findings provide insights into the spatial architecture of glioblastoma, suggesting that both locally inherent tumor as well as global alterations of the tumor microenvironment shape its transcriptional heterogeneity. Global age-related inflammation in the human brain is driving distinct transcriptional transformation in glioblastomas, which requires an adjustment of the currently prevailing glioma models.

Abstract Spatially resolved transcriptomics has revolutionized RNA studies by aligning RNA abundance with tissue structure, enabling direct comparisons between histology and gene expression. Traditional approaches to identifying signature genes often involve preliminary data grouping, which can overlook subtle expression patterns in complex tissues. We present Spatial Gradient Screening, an algorithm which facilitates the supervised detection of histology-associated gene expression patterns without prior data grouping. Utilizing spatial transcriptomic data along with single-cell deconvolution from injured mouse cortex, and TCR-seq data from brain tumors, we compare our methodology to standard differential gene expression analysis. Our findings illustrate both the advantages and limitations of cluster-free detection of gene expression, offering more profound insights into the spatial architecture of transcriptomes. The algorithm is embedded in SPATA2, an open-source framework written in R, which provides a comprehensive set of tools for investigating gene expression within tissue.

Abstract Spatial transcriptomic is a technology to provide deep transcriptomic profiling by preserving the spatial organization. Here, we present a framework for SPAtial Transcriptomic Analysis (SPATA, https://themilolab.github.io/SPATA ), to provide a comprehensive characterization of spatially resolved gene expression, regional adaptation of transcriptional programs and transient dynamics along spatial trajectories.