ABSTRACT Ulcerative colitis (UC) is driven by immune and stromal subsets, culminating in epithelial injury. Vedolizumab (VDZ) is an anti-integrin antibody that is effective for treating UC. VDZ is known to inhibit lymphocyte trafficking to the intestine, but its broader effects on other cell subsets are less defined. To identify the inflammatory cells that contribute to colitis and are affected by VDZ, we performed single-cell transcriptomic and proteomic analyses of peripheral blood and colonic biopsies in healthy controls and patients with UC on VDZ or other therapies. Here we show that VDZ treatment is associated with alterations in circulating and tissue mononuclear phagocyte (MNP) subsets, along with modest shifts in lymphocytes. Spatial multi-omics of formalin-fixed biopsies demonstrates trends towards increased abundance and proximity of MNP and fibroblast subsets in active colitis. Spatial transcriptomics of archived specimens pre-treatment identifies epithelial-, MNP-, and fibroblast-enriched genes related to VDZ responsiveness, highlighting important roles for these subsets in UC.

ABSTRACT Women are at more than 1.5-fold higher risk for clinically relevant adverse drug events. While this higher prevalence is partially due to gender-related effects, biological sex differences likely also impact drug response. Publicly available gene expression databases provide a unique opportunity for examining drug response at a cellular level. However, missingness and heterogeneity of metadata prevent large-scale identification of drug exposure studies and limit assessments of sex bias. To address this, we trained organism-specific models to infer sample sex from gene expression data, and used entity normalization to map metadata cell line and drug mentions to existing ontologies. Using this method, we infer sex labels for 450,371 human and 245,107 mouse microarray and RNA-seq samples from refine.bio. Overall, we find slight female bias (52.1%) in human samples and (62.5%) male bias in mouse samples; this corresponds to a majority of single sex studies, split between female-only and male-only (33.3% vs 18.4% in human and 31.0% vs 30.4% in mouse respectively). In drug studies, we find limited evidence for sex-sampling bias overall; however, specific categories of drugs, including human cancer and mouse nervous system drugs, are enriched in female-only and male-only studies respectively. Our expression-based sex labels allow us to further examine the complexity of cell line sex and assess the frequency of metadata sex label misannotations (2-5%). We make our inferred and normalized labels, along with flags for misannotated samples, publicly available to catalyze the routine use of sex as a study variable in future analyses.

ABSTRACT Smoking greatly reduces life expectancy in both men and women, but with different patterns of morbidity. After adjusting for smoking history, women have higher risk of respiratory effects and diabetes from smoking, while men show greater mortality from smoking-related cancers. While many smoking-related sex differences have been documented, the underlying molecular mechanisms are not well understood. To date, identification of sex differences in response to smoking has been limited to a small number of studies and the resulting smoking-related effects require further validation. Publicly available gene expression data present a unique opportunity to examine molecular-level sex and smoking effects across many tissues and studies. We performed a systematic search to identify smoking-related studies from healthy tissue samples and found 31 separate studies as well as an additional group of overlapping studies that in total span 2,177 samples and 12 tissues. These samples and studies were overall male-biased. In smoking, while effects appeared to be somewhat tissue-specific and largely autosomal, we identified a small number of genes that were consistently differentially expressed across tissues, including AHRR and GZMH . We also identified one gene, AKR1C3 , encoding an aldo-keto reductase, which showed strong opposite direction, smoking-related effects in blood and airway epithelium, with higher expression in airway epithelium and lower expression in blood of smokers versus non-smokers. By contrast, at similar significance thresholds, sex-related effects were entirely sex chromosomal and consistent across tissues, providing evidence of stronger effects of smoking than sex on autosomal expression. Due to sample size limitations, we only examined interaction effects in the largest study, where we identified 30 genes with sex differential effects in response to smoking, only one of which, CAPN9 , replicated in a held-out analysis. Overall these results present a comprehensive analysis of smoking-related effects across tissues and an initial examination of sex differential smoking effects in public gene expression data.

Sex differences have been shown in laboratory biomarkers; however, the extent to which this is due to genetics is unknown. In this study, we infer sex-specific genetic parameters (heritability and genetic correlation) across 33 quantitative biomarker traits in 181,064 females and 156,135 males from the UK Biobank study. We apply a Bayesian mixture model, Sex Effects Mixture Model, to Genome-wide Association Study summary statistics in order to (1) estimate the contributions of sex to the genetic variance of these biomarkers and (2) identify variants whose statistical association with these traits is sex-specific. We find that the genetics of most biomarker traits are shared between males and females, with the notable exception of testosterone, where we identify 119 female and 444 male-specific variants. These include protein-altering variants in steroid hormone production genes (POR, CYP3A43, UGT2B7). Using the sex-specific variants as genetic instruments for Mendelian Randomization, we find evidence for causal links between testosterone levels and height, body mass index, waist circumference, and type 2 diabetes. We also show that sex-specific polygenic risk score models for testosterone outperform a combined model. Overall, these results demonstrate that while sex has a limited role in the genetics of most biomarker traits, sex plays an important role in testosterone genetics.

Molecular interaction networks are our basis for understanding functional interdependencies among genes. Network embedding approaches analyze these complicated networks by representing genes as low-dimensional vectors based on the network topology. These low-dimensional vectors have recently become the building blocks for a larger number of systems biology applications. Despite the success of embedding genes in this way, it remains unclear how to effectively represent gene sets, such as protein complexes and signaling pathways. The direct adaptation of existing gene embedding approaches to gene sets cannot model the diverse functions of genes in a set. Here, we propose GRep, a novel gene set embedding approach, which represents each gene set as a multivariate Gaussian distribution rather than a single point in the low-dimensional space. The diversity of genes in a set, or the uncertainty of their contribution to a particular function, is modeled by the covariance matrix of the multivariate Gaussian distribution. By doing so, GRep produces a highly informative and compact gene set representation. Using our representation, we analyze two major pharmacogenomics studies and observe substantial improvement in drug target identification from expression-derived gene sets. Overall, the GRep framework provides a novel representation of gene sets that can be used as input features to off-the-shelf machine learning classifiers for gene set analysis.

Juvenile Dermatomyositis (JDM) is one of several childhood-onset autoimmune disorders characterized by a type I interferon response and autoantibodies. Treatment options are limited due to incomplete understanding of how the disease emerges from dysregulated cell states across the immune system. We therefore investigated the blood of JDM patients at different stages of disease activity using single-cell transcriptomics paired with surface protein expression. By immunophenotyping peripheral blood mononuclear cells, we observed skewing of the B cell compartment towards an immature naive state as a hallmark of JDM. Furthermore, we find that these changes in B cells are paralleled by signatures of Th2-mediated inflammation. Additionally, our work identified SIGLEC-1 expression in monocytes as a composite measure of heterogeneous type I interferon activity in disease. We applied network analysis to reveal that hyperactivation of the type I interferon response in all immune populations is coordinated with dysfunctional protein processing and regulation of cell death programming. This analysis separated the ubiquitously expressed type I interferon response into a central hub and revealed previously masked cell states. Together, these findings reveal the coordinated immune dysregulation underpinning JDM and provide novel insight into strategies for restoring balance in immune function.