Single-cell RNA-sequencing has become a widely used, powerful approach for studying cell populations. However, these methods often generate multiplet artifacts, where two or more cells receive the same barcode, resulting in a hybrid transcriptome. In most experiments, multiplets account for several percent of transcriptomes and can confound downstream data analysis. Here, we present Single-Cell Remover of Doublets (Scrublet), a framework for predicting the impact of multiplets in a given analysis and identifying problematic multiplets. Scrublet avoids the need for expert knowledge or cell clustering by simulating multiplets from the data and building a nearest neighbor classifier. To demonstrate the utility of this approach, we test Scrublet on several datasets that include independent knowledge of cell multiplets. Scrublet is freely available for download at github.com/AllonKleinLab/scrublet.

Although the function of the mammalian pancreas hinges on complex interactions of distinct cell types, gene expression profiles have primarily been described with bulk mixtures. Here we implemented a droplet-based, single-cell RNA-seq method to determine the transcriptomes of over 12,000 individual pancreatic cells from four human donors and two mouse strains. Cells could be divided into 15 clusters that matched previously characterized cell types: all endocrine cell types, including rare epsilon-cells; exocrine cell types; vascular cells; Schwann cells; quiescent and activated stellate cells; and four types of immune cells. We detected subpopulations of ductal cells with distinct expression profiles and validated their existence with immuno-histochemistry stains. Moreover, among human beta- cells, we detected heterogeneity in the regulation of genes relating to functional maturation and levels of ER stress. Finally, we deconvolved bulk gene expression samples using the single-cell data to detect disease-associated differential expression. Our dataset provides a resource for the discovery of novel cell type-specific transcription factors, signaling receptors, and medically relevant genes.

Transposon tagging to clonally trace progenitors and stem cells provides evidence for a substantially revised roadmap for unperturbed haematopoiesis, and highlights unique properties of multipotent progenitors and haematopoietic stem cells in situ. Generating new blood, or haematopoiesis, relies on a pool of stem cells that produces multipotent progenitors and differentiated blood and immune cells. Different models have been proposed to explain the hierarchical organization and fate decision of these cells, mainly using transplantation to assess lineage potential. Fernando Camargo and colleagues use transposon tagging to trace progenitors and stem cells clonally in unperturbed haematopoiesis and apply single-cell RNA sequencing to assess the transcriptome of the cells produced. They find the coexistence of unilineage- and oligolineage-producing clones and suggest that the megakaryocyte lineage arises largely independently of other haematopoietic fates, and can do so from long-term haematopoietic stem cells directly. Haematopoiesis, the process of mature blood and immune cell production, is functionally organized as a hierarchy, with self-renewing haematopoietic stem cells and multipotent progenitor cells sitting at the very top1,2. Multiple models have been proposed as to what the earliest lineage choices are in these primitive haematopoietic compartments, the cellular intermediates, and the resulting lineage trees that emerge from them3,4,5,6,7,8,9,10. Given that the bulk of studies addressing lineage outcomes have been performed in the context of haematopoietic transplantation, current models of lineage branching are more likely to represent roadmaps of lineage potential than native fate. Here we use transposon tagging to clonally trace the fates of progenitors and stem cells in unperturbed haematopoiesis. Our results describe a distinct clonal roadmap in which the megakaryocyte lineage arises largely independently of other haematopoietic fates. Our data, combined with single-cell RNA sequencing, identify a functional hierarchy of unilineage- and oligolineage-producing clones within the multipotent progenitor population. Finally, our results demonstrate that traditionally defined long-term haematopoietic stem cells are a significant source of megakaryocyte-restricted progenitors, suggesting that the megakaryocyte lineage is the predominant native fate of long-term haematopoietic stem cells. Our study provides evidence for a substantially revised roadmap for unperturbed haematopoiesis, and highlights unique properties of multipotent progenitors and haematopoietic stem cells in situ.

The formation of red blood cells begins with the differentiation of multipotent haematopoietic progenitors. Reconstructing the steps of this differentiation represents a general challenge in stem-cell biology. Here we used single-cell transcriptomics, fate assays and a theory that allows the prediction of cell fates from population snapshots to demonstrate that mouse haematopoietic progenitors differentiate through a continuous, hierarchical structure into seven blood lineages. We uncovered coupling between the erythroid and the basophil or mast cell fates, a global haematopoietic response to erythroid stress and novel growth factor receptors that regulate erythropoiesis. We defined a flow cytometry sorting strategy to purify early stages of erythroid differentiation, completely isolating classically defined burst-forming and colony-forming progenitors. We also found that the cell cycle is progressively remodelled during erythroid development and during a sharp transcriptional switch that ends the colony-forming progenitor stage and activates terminal differentiation. Our work showcases the utility of linking transcriptomic data to predictive fate models, and provides insights into lineage development in vivo. Single-cell transcriptomics, fate assays and a computational theory enable prediction of cell fates during haematopoiesis, discovery of regulators of erythropoiesis and reveal coupling between the erythroid, basophil and mast cell fates. Allon Klein, Merav Socolovsky and colleagues examine the emergence of distinct blood cell lineages from mouse haematopoietic progenitors. Their approach combines single-cell transcriptomics, cell fate potential assays and population balance analysis—a computational method for predicting cell fate probabilities from population snapshots. They use a new flow-cytometry strategy to sort cells with newly defined markers of erythroid differentiation and validate the findings at the single-cell level. The results show that differentiation is a continuous, albeit hierarchical, process. They also reveal that erythroid and mast cell fates are coupled, and that remodelling the expression of cell cycle regulators is very important as erythroid cells proceed to terminal differentiation.

Abstract Motivation Single-cell gene expression profiling technologies can map the cell states in a tissue or organism. As these technologies become more common, there is a need for computational tools to explore the data they produce. In particular, visualizing continuous gene expression topologies can be improved, since current tools tend to fragment gene expression continua or capture only limited features of complex population topologies. Results Force-directed layouts of k-nearest-neighbor graphs can visualize continuous gene expression topologies in a manner that preserves high-dimensional relationships and captures complex population topologies. We describe SPRING, a pipeline for data filtering, normalization and visualization using force-directed layouts and show that it reveals more detailed biological relationships than existing approaches when applied to branching gene expression trajectories from hematopoietic progenitor cells and cells of the upper airway epithelium. Visualizations from SPRING are also more reproducible than those of stochastic visualization methods such as tSNE, a state-of-the-art tool. We provide SPRING as an interactive web-tool with an easy to use GUI. Availability and implementation https://kleintools.hms.harvard.edu/tools/spring.html, https://github.com/AllonKleinLab/SPRING/. Supplementary information Supplementary data are available at Bioinformatics online.

Abstract Hematopoietic Stem/Progenitor cells (HSPCs) are endowed with the role of maintaining a diverse pool of blood cells throughout the human life. Despite recent efforts, the nature of the early cell fate decisions remains contentious. Using single-cell RNA-Seq, we show that existing approaches to stratify bone marrow CD34+ cells reveal a hierarchically-structured transcriptional landscape of hematopoietic differentiation. Still, this landscape misses important early fate decisions. We here provide a broader transcriptional profiling of bone marrow lineage negative hematopoietic progenitors that recovers a key missing branchpoint into basophils and expands our understanding of the underlying structure of early adult human haematopoiesis. We also show that this map has strong similarities in topology and gene expression to that found in mouse. Finally, we identify the sialomucin CD164, as a reliable marker for the earliest branches of HSPCs specification and we showed how its use can foster the design of alternative transplantation cell products.

Single-cell expression profiling reveals the molecular states of individual cells with unprecedented detail. Because these methods destroy cells in the process of analysis, they cannot measure how gene expression changes over time. However, some information on dynamics is present in the data: the continuum of molecular states in the population can reflect the trajectory of a typical cell. Many methods for extracting single-cell dynamics from population data have been proposed. However, all such attempts face a common limitation: for any measured distribution of cell states, there are multiple dynamics that could give rise to it, and by extension, multiple possibilities for underlying mechanisms of gene regulation. Here, we describe the aspects of gene expression dynamics that cannot be inferred from a static snapshot alone and identify assumptions necessary to constrain a unique solution for cell dynamics from static snapshots. We translate these constraints into a practical algorithmic approach, population balance analysis (PBA), which makes use of a method from spectral graph theory to solve a class of high-dimensional differential equations. We use simulations to show the strengths and limitations of PBA, and then apply it to single-cell profiles of hematopoietic progenitor cells (HPCs). Cell state predictions from this analysis agree with HPC fate assays reported in several papers over the past two decades. By highlighting the fundamental limits on dynamic inference faced by any method, our framework provides a rigorous basis for dynamic interpretation of a gene expression continuum and clarifies best experimental designs for trajectory reconstruction from static snapshot measurements.

The bone marrow microenvironment is composed of heterogeneous cell populations of non-hematopoietic cells with complex phenotypes and undefined trajectories of maturation. Among them, mesenchymal cells maintain the production of stromal, bone, fat, and cartilage cells. Resolving these unique cellular subsets within the bone marrow remains challenging. Here, we used single-cell RNA sequencing of non-hematopoietic bone marrow cells to define specific subpopulations. Furthermore, by combining computational prediction of the cell state hierarchy with the known expression of key transcription factors, we mapped differentiation paths to the osteocyte, chondrocyte, and adipocyte lineages. Finally, we validated our findings using lineage-specific reporter strains and targeted knockdowns. Our analysis reveals differentiation hierarchies for maturing stromal cells, determines key transcription factors along these trajectories, and provides an understanding of the complexity of the bone marrow microenvironment.

Abstract Single-cell RNA-sequencing has become a widely used, powerful approach for studying cell populations. However, these methods often generate multiplet artifacts, where two or more cells receive the same barcode, resulting in a hybrid transcriptome. In most experiments, multiplets account for several percent of transcriptomes and can confound downstream data analysis. Here, we present Scrublet ( S ingle- C ell R emover of Do ublet s), a framework for predicting the impact of multiplets in a given analysis and identifying problematic multiplets. Scrublet avoids the need for expert knowledge or cell clustering by simulating multiplets from the data and building a nearest neighbor classifier. To demonstrate the utility of this approach, we test Scrublet on several datasets that include independent knowledge of cell multiplets.