Abstract Spatial molecular technologies have revolutionised the study of disease microenvironments by providing spatial context to tissue heterogeneity. Recent spatial technologies are increasing the throughput and spatial resolution of measurements, resulting in larger datasets. The added spatial dimension and volume of measurements poses an analytics challenge that has, in the short-term, been addressed by adopting methods designed for the analysis of single-cell RNA-seq data. Though these methods work well in some cases, not all necessarily translate appropriately to spatial technologies. A common assumption is that total sequencing depth, also known as library size, represents technical variation in single-cell RNA-seq technologies, and this is often normalised out during analysis. Through analysis of several different spatial datasets, we noted that this assumption does not necessarily hold in spatial molecular data. To formally assess this, we explore the relationship between library size and independently annotated spatial regions, across 23 samples from 4 different spatial technologies with varying throughput and spatial resolution. We found that library size confounded biology across all technologies, regardless of the tissue being investigated. Statistical modelling of binned total transcripts shows that tissue region is strongly associated with library size across all technologies, even after accounting for cell density of the bins. Through a benchmarking experiment, we show that normalising out library size leads to sub-optimal spatial domain identification using common graph-based clustering algorithms. On average, better clustering was achieved when library size effects were not normalised out explicitly, especially with data from the newer sub-cellular localised technologies. Taking these results into consideration, we recommend that spatial data should not be specifically corrected for library size prior to analysis unless strongly motivated. We also emphasise that spatial data are different to single-cell RNA-seq and care should be taken when adopting algorithms designed for single cell data.

Abstract Tissue-resident memory T cells (T RM ) provide immune defence against local infection and can inhibit cancer progression. However, it is unclear to what extent chronic inflammation impacts T RM activation and how the immune pressure exerted by T RM affects developing tumours in humans. We performed deep profiling of lung cancers arising in never-smokers (NS) and ever-smokers (ES), finding evidence of enhanced T RM immunosurveillance in ES lung. Only tumours arising in ES patients underwent clonal immune escape, even when evaluating cancers with similar tumour mutational burden to NS patients, suggesting that the timing of immune pressure exerted by T RM is a critical factor in the evolution of tumour immune evasion. Tumours grown in T cell quiescent NS lungs displayed little evidence of immune evasion and had fewer neoantigens with low diversity, paradoxically making them amenable to treatment with agonist of the costimulatory molecule, ICOS. These data demonstrate local environmental insults enhance T RM immunosurveillance of human tissue, shape the evolution of tumour immunogenicity and that this interplay informs effective immunotherapeutic modalities.

Abstract Immune cells from the adaptive and innate immune systems coexist in the tumor immune microenvironment (TME) to mediate tumor cell immunosurveillance and prevent tumor relapse. Relapse-free survival after surgical resection is heterogeneous in lung adenocarcinoma (LUAD) and lung squamous cell carcinoma (LUSC), the two major subtypes of non-small cell lung cancer. Yet, little is known about the composition and spatial organisation of the TME that could explain the different prognoses for lung cancer patients. Using spatial multi-omics analyses, we show that LUAD and LUSC have distinct TMEs and that neutrophil-enriched tumors are associated with worse survival, while the accumulation of myeloid-instructed CD14 + T cells in the tumor core was associated with prolonged patient survival. CD14 + CD4 + T cells express prototypic markers of myeloid cells and were found to be clonally expanded tumor-specific activated T cells. TNFα signaling was activated in tumors with high infiltration of CD14 + CD4 + T cells in the tumor core. Our results demonstrate that innate immune cells impact adaptive immune cell activity to support the deployment of discrete T cell populations with anti-tumor activity.

Abstract Tumor microenvironments (TMEs) contain vast amounts of information on patient’s cancer through their cellular composition and the spatial distribution of tumor cells and immune cell populations. Exploring variations in TMEs among patients and cancer types, as well as determining the extent to which this information can predict variables such as patient survival or treatment success with emerging immunotherapies, is of great interest. Moreover, in the face of a large number of potential spatial cell interactions to consider, we often wish to identify specific interactions that are useful in making such predictions. We present an approach to achieve these goals based on summarizing spatial relationships in the TME using spatial K functions, and then applying functional data analysis and random forest models to both predict outcomes of interest and identify important spatial relationships. This approach is shown to be effective in simulation experiments. We further used the proposed approach to interrogate two real data sets of Multiplexed Ion Beam Images of TMEs in triple negative breast cancer and lung cancer patients. The methods proposed are publicly available in a companion R package funkycells . Author summary Spatial data on the tumor microenvironment (TME) are becoming more prevalent. Existing methods to interrogate such data often have several deficiencies: (1) they rely on estimating the spatial relationships among cells by examining simple counts of cells within a single radius, (2) they do not come with ways to evaluate the statistical significance of any findings, or (3) they consider multiple individual interactions resulting in overly optimistic estimates of interaction importances. Our approach, which leverages techniques in spatial statistics and uses a benchmark ensemble machine learning method addresses (1), since the K functions used encode the relative densities of cells over all radii up to a user-selected maximum radius, and (2) we have developed a custom approach based on permutation and cross-validation to evaluate the statistical significance of any findings of significant spatial interactions in the TME, (3) over potentially multiple interactions. Our approach is also freely available with an R implementation called funkycells . In the analysis of two real data sets, we have seen that the method performs well, and gives the expected results. We think this will be a robust tool to add to the toolbox for researchers looking to interrogate, what can be sometimes unwieldy, TME data.

Tumor microenvironments (TMEs) contain vast amounts of information on patient’s cancer through their cellular composition and the spatial distribution of tumor cells and immune cell populations. Exploring variations in TMEs between patient groups, as well as determining the extent to which this information can predict outcomes such as patient survival or treatment success with emerging immunotherapies, is of great interest. Moreover, in the face of a large number of cell interactions to consider, we often wish to identify specific interactions that are useful in making such predictions. We present an approach to achieve these goals based on summarizing spatial relationships in the TME using spatial K functions, and then applying functional data analysis and random forest models to both predict outcomes of interest and identify important spatial relationships. This approach is shown to be effective in simulation experiments at both identifying important spatial interactions while also controlling the false discovery rate. We further used the proposed approach to interrogate two real data sets of Multiplexed Ion Beam Images of TMEs in triple negative breast cancer and lung cancer patients. The methods proposed are publicly available in a companion R package funkycells .