Understanding human development is of fundamental biological and clinical importance. Despite its significance, mechanisms behind human embryogenesis remain largely unknown. Here, we attempt to model human early embryo development with expanded pluripotent stem cells (EPSCs) in 3-dimensions. We define a protocol that allows us to generate self-organizing cystic structures from human EPSCs that display some hallmarks of human early embryogenesis. These structures mimic polarization and cavitation characteristic of pre-implantation development leading to blastocyst morphology formation and the transition to post-implantation-like organization upon extended culture. Single-cell RNA sequencing of these structures reveals subsets of cells bearing some resemblance to epiblast, hypoblast and trophectoderm lineages. Nevertheless, significant divergences from natural blastocysts persist in some key markers, and signalling pathways point towards ways in which morphology and transcriptional-level cell identities may diverge in stem cell models of the embryo. Thus, this stem cell platform provides insights into the design of stem cell models of embryogenesis.

Prostate cancer is frequently characterized as a multifocal disease with great intratumoral heterogeneity as well as a high propensity to metastasize to bone. Consequently, modeling prostate tumor has remained a challenging task for researchers in this field. In the past decades, genomic advances have led to the identification of key molecular alterations in prostate cancer. Moreover, resistance towards second-generation androgen-deprivation therapy, namely abiraterone and enzalutamide has unveiled androgen receptor-independent diseases with distinctive histopathological and clinical features. In this review, we have critically evaluated the commonly used preclinical models of prostate cancer with respect to their capability of recapitulating the key genomic alterations, histopathological features and bone metastatic potential of human prostate tumors. In addition, we have also discussed the potential use of the emerging organoid models in prostate cancer research, which possess clear advantages over the commonly used preclinical tumor models. We anticipate that no single model can faithfully recapitulate the complexity of prostate cancer, and thus, propose the use of a cost- and time-efficient integrated tumor modeling approach for future prostate cancer investigations.

Abstract Toll/interleukin-1 receptor (TIR) domain proteins function in cell death and immunity. In plants and bacteria, TIR domains are enzymes that produce isomers of cyclic ADPR (cADPR) as putative immune signaling molecules. The identity and functional conservation of cADPR isomer signals is unclear. A previous report found that a plant TIR could cross-activate the prokaryotic Thoeris TIR-immune system, suggesting the conservation of plant and prokaryotic TIR-immune signals. Here, we generate auto-active Thoeris TIRs and test the converse hypothesis: do prokaryotic Thoeris TIRs also cross-activate plant TIR-immunity? Using in planta and in vitro assays, we find that Thoeris and plant TIRs generate overlapping sets of cADPR isomers, and further clarify how plant and Thoeris TIRs activate the Thoeris system via producing 3’cADPR. This study demonstrates that the TIR-signaling requirements for plant and prokaryotic immune systems are distinct and that TIRs across kingdoms generate a diversity of small molecule products.

Abstract Engineered variants of recombinant adeno-associated viruses (rAAVs) are being developed rapidly to meet the need for gene-therapy delivery vehicles with particular cell-type and tissue tropisms. While high-throughput AAV engineering and selection methods have generated numerous variants, subsequent tropism and response characterization have remained low throughput and lack resolution across the many relevant cell and tissue types. To fully leverage the output of these large screening paradigms across multiple targets, we have developed an experimental and computational single-cell RNA sequencing (scRNA-seq) pipeline for in vivo characterization of barcoded rAAV pools at unprecedented resolution. Using our platform, we have corroborated previously reported viral tropisms and discovered unidentified AAV capsid targeting biases. As expected, we observed that the tropism profile of AAV.CAP-B10 in mice was shifted toward neurons and away from astrocytes when compared with AAV-PHP.eB. Our transcriptomic analysis revealed that this neuronal bias is mainly due to increased targeting efficiency for glutamatergic neurons, which we confirmed by RNA fluorescence in situ hybridization. We further uncovered cell subtype tropisms of AAV variants in vascular and glial cells, such as low transduction of pericytes and Myoc+ astrocytes. Additionally, we have observed cell-type-specific responses to systemic AAV-PHP.eB administration, such as upregulation of genes involved in p53 signaling in endothelial cells three days post-injection, which return to control levels by day twenty-five. Such ability to parallelize the characterization of AAV tropism and simultaneously measure the transcriptional response of transduction will facilitate the advancement of safe and precise gene delivery vehicles.

Abstract Droplet-based 3’ single-cell RNA-sequencing (scRNA-seq) methods have proved transformational in characterizing cellular diversity and generating valuable hypotheses throughout biology 1,2 . Here we outline a common problem with 3’ scRNA-seq datasets where genes that have been documented to be expressed with other methods, are either completely missing or are dramatically under-represented thereby compromising the discovery of cell types, states, and genetic mechanisms. We show that this problem stems from three main sources of sequencing read loss: (1) reads mapping immediately 3’ to known gene boundaries due to poor 3’ UTR annotation; (2) intronic reads stemming from unannotated exons or pre-mRNA; (3) discarded reads due to gene overlaps 3 . Each of these issues impacts the detection of thousands of genes even in well-characterized mouse and human genomes rendering downstream analysis either partially or fully blind to their expression. We outline a simple three-step solution to recover the missing gene expression data that entails compiling a hybrid pre-mRNA reference to retrieve intronic reads 4 , resolving gene collision derived read loss through removal of readthrough and premature start transcripts, and redefining 3’ gene boundaries to capture false intergenic reads. We demonstrate with mouse brain and human peripheral blood datasets that this approach dramatically increases the amount of sequencing data included in downstream analysis revealing 20 - 50% more genes per cell and incorporates 15-20% more sequencing reads than with standard solutions 5 . These improvements reveal previously missing biologically relevant cell types, states, and marker genes in the mouse brain and human blood profiling data. Finally, we provide scRNA-seq optimized transcriptomic references for human and mouse data as well as simple algorithmic implementation of these solutions that can be deployed to both thoroughly as well as poorly annotated genomes. Our results demonstrate that optimizing the sequencing read mapping step can significantly improve the analysis resolution as well as biological insight from scRNA-seq. Moreover, this approach warrants a fresh look at preceding analyses of this popular and scalable cellular profiling technology.

Abstract Despite decades of research and numerous basic science advances, there have only marginal gains in improving glioblastoma multiforme survival. Therefore, new ideas and approaches for treating this aggressive disease are essential to drive progress forward. Conventional therapies, such as radiation and Temozolomide (TMZ), function to cause oxidative stress and DNA damage yielding a senescent-like state of replicative arrest in susceptible cells. However, increasing evidence demonstrates malignant cells can escape senescence leading to tumor recurrence. Ablation of non-replicating senescent tumor cells after radiation and chemotherapy may be an avenue to reduce the rates of tumor recurrence. Senolytic agents have been developed that selectively target senescent cells, but it remains unknown whether senolytics might be utilized against senescent-like glioma cells. We employed radiation or TMZ to induce a functionally senescent state in human glioblastoma cells. Viable cells that survive these treatments were then utilized to screen candidate senolytic drugs, to identify those selectively effective at ablating senescent-like cells over naïve non-tumor and proliferative cells. Among 10 candidate senolytic drugs evaluated, only Bcl-XL inhibitors demonstrated reproducible senolytic activity in radiated or TMZ-treated glioma across the majority of GBM cell lines evaluated. Conversely, Bcl-2 inhibitors and other established senolytic drugs failed to show any consistent senolytic activity. In agreement with these data, Bcl-XL knockdown selectively reduced the viability of senescent-like GBM cells, whereas knockdown of Bcl-2 or Bcl-W yielded no senolytic effect. These findings demonstrate the potential to harness radiation-induced biology to ablate latent surviving cells and highlight Bcl-XL dependency as a potential vulnerability of surviving GBM cells after exposure to radiation or TMZ.

Abstract RSK4 belongs to the p90 Ribosomal S6 Kinase family which lies downstream of the MAPK pathway. While we previously revealed this kinase to be a therapeutic target in lung and bladder cancers, there is conflicting evidence for its wider role in other cancer types. Indeed, RSK4 was instead suggested to be a tumour suppressor in colorectal and gastric cancers, and reports of its role in breast malignancies are contradictory. One possible explanation for these discrepancies may be the expression of different RSK4 isoforms across cancers. Four RNAs are produced from the RSK4 gene with two being protein-coding. Here, we analysed the expression of the two RSK4 protein-coding mRNAs across 30 normal and 33 cancer tissue types from the combined GTEx/TCGA dataset and correlated it with associated clinical features. This analysis revealed the mRNA expression of RSK4 isoform 1 and 2 to be independent prognostic factors for patient survival, pathological stage, cancer metastasis, recurrence, and immune infiltration in brain, stomach, cervical, and kidney cancers. However, we found that the upregulation of either RSK4 isoform can equally be associated with good or bad prognosis depending on the cancer type considered, and changes in the expression ratio of isoforms fail to predict clinical outcome. Taken together, we show that differential isoform expression alone cannot explain the contradictory roles of RSK4 in cancers and that further research is needed to highlight the underlying mechanisms for the context-dependent function of this kinase.

Abstract Sequencing costs currently prohibit the application of single-cell mRNA-seq to many biological and clinical analyses. Targeted single-cell mRNA-sequencing reduces sequencing costs by profiling reduced gene sets that capture biological information with a minimal number of genes. Here, we introduce an active learning method (ActiveSVM) that identifies minimal but highly-informative gene sets that enable the identification of cell-types, physiological states, and genetic perturbations in single-cell data using a small number of genes. Our active feature selection procedure generates minimal gene sets from single-cell data through an iterative cell-type classification task where misclassified cells are examined at each round of analysis to identify maximally informative genes through an ‘active’ support vector machine (ActiveSVM) classifier. By focusing computational resources on misclassified cells, ActiveSVM scales to analyze data sets with over a million single cells. We demonstrate that ActiveSVM feature selection identifies gene sets that enable 90% cell-type classification accuracy across a variety of data sets including cell atlas and disease characterization data sets. The method generalizes to reveal genes that respond to genetic perturbations and to identify region specific gene expression patterns in spatial transcriptomics data. The discovery of small but highly informative gene sets should enable substantial reductions in the number of measurements necessary for application of single-cell mRNA-seq to clinical tests, therapeutic discovery, and genetic screens.

Single-cell measurement techniques can now probe gene expression in heterogeneous cell populations from the human body across a range of environmental and physiological conditions. However, new mathematical and computational methods are required to represent and analyze gene expression changes that occur in complex mixtures of single cells as they respond to signals, drugs, or disease states. Here, we introduce a mathematical modeling platform, PopAlign, that automatically identifies subpopulations of cells within a heterogeneous mixture, and tracks gene expression and cell abundance changes across subpopulations by constructing and comparing probabilistic models. Probabilistic models provide a low-error, compressed representation of single cell data that enables efficient large-scale computations. We apply PopAlign to analyze the impact of 40 different immunomodulatory compounds on a heterogeneous population of donor-derived human immune cells as well as patient-specific disease signatures in multiple myeloma. PopAlign scales to comparisons involving tens to hundreds of samples, enabling large-scale studies of natural and engineered cell populations as they respond to drugs, signals or physiological change.

Gene regulatory networks within cells modulate the expression of the genome in response to signals and changing environmental conditions. Reconstructions of gene regulatory networks can reveal the information processing and control principles used by cells to maintain homeostasis and execute cell-state transitions. Here, we introduce a computational framework, D-SPIN, that generates quantitative models of gene-regulatory networks from single-cell mRNA-seq data sets collected across thousands of distinct perturbation conditions. D-SPIN models the cell as a collection of interacting gene-expression programs, and constructs a probabilistic model to infer regulatory interactions between gene-expression programs and external perturbations. Using large Perturb-seq and drug-response datasets, we demonstrate that D-SPIN models reveal the organization of cellular pathways, sub-functions of macromolecular complexes, and the logic of cellular regulation of transcription, translation, metabolism, and protein degradation in response to gene knockdown perturbations. D-SPIN can also be applied to dissect drug response mechanisms in heterogeneous cell populations, elucidating how combinations of immunomodulatory drugs can induce novel cell states through additive recruitment of gene expression programs. D-SPIN provides a computational framework for constructing interpretable models of gene-regulatory networks to reveal principles of cellular information processing and physiological control.