The adoptive transfer of T lymphocytes reprogrammed to target tumour cells has demonstrated potential for treatment of various cancers1-7. However, little is known about the long-term potential and clonal stability of the infused cells. Here we studied long-lasting CD19-redirected chimeric antigen receptor (CAR) T cells in two patients with chronic lymphocytic leukaemia1-4 who achieved a complete remission in 2010. CAR T cells remained detectable more than ten years after infusion, with sustained remission in both patients. Notably, a highly activated CD4+ population emerged in both patients, dominating the CAR T cell population at the later time points. This transition was reflected in the stabilization of the clonal make-up of CAR T cells with a repertoire dominated by a small number of clones. Single-cell profiling demonstrated that these long-persisting CD4+ CAR T cells exhibited cytotoxic characteristics along with ongoing functional activation and proliferation. In addition, longitudinal profiling revealed a population of gamma delta CAR T cells that prominently expanded in one patient concomitant with CD8+ CAR T cells during the initial response phase. Our identification and characterization of these unexpected CAR T cell populations provide novel insight into the CAR T cell characteristics associated with anti-cancer response and long-term remission in leukaemia.

ABSTRACT Single-cell omics assays have become essential tools for identifying and characterizing cell types and states of complex tissues. While each single-modality assay reveals distinctive features about the sequenced cells, true multi-omics assays are still in early stage of development. This notion signifies the importance of computationally integrating single-cell omics data that are conducted on various samples across various modalities. In addition, the advent of multiplexed molecular imaging assays has given rise to a need for computational methods for integrative analysis of single-cell imaging and omics data. Here, we present GLUER (inte G rative ana L ysis of m U lti-omics at single-c E ll R esolution), a flexible tool for integration of single-cell multi-omics data and imaging data. Using multiple true multi-omics data sets as the ground truth, we demonstrate that GLUER achieved significant improvement over existing methods in terms of the accuracy of matching cells across different data modalities resulting in ameliorating downstream analyses such as clustering and trajectory inference. We further demonstrate the broad utility of GLUER for integrating single-cell transcriptomics data with imaging-based spatial proteomics and transcriptomics data. Finally, we extend GLUER to leverage true cell-pair labels when available in true multi-omics data, and show that this approach improves co-embedding and clustering results. With the rapid accumulation of single-cell multi-omics and imaging data, integrated data holds the promise of furthering our understanding of the role of heterogeneity in development and disease.

Abstract DNA methylation is an epigenetic mark that has vital importance in both development and disease. Single cell bisulfite sequencing technologies enable profiling of the methylome at high resolution, providing the basis for dissecting the heterogeneity and dynamics of DNA methylation in complex tissues and over time. Despite the rapid increase in the number of experimental protocols for methylome sequencing, analytical tools designed specifically for single-cell data are lacking. We developed a computational tool, SINBAD, for efficient and standardized pre-processing, quality assessment and analysis of single cell methylation data. Starting from multiplexed sequencing reads, major analysis modules of SINBAD include preprocessing, read mapping, methylation quantification, multivariate analysis, and gene signature profiling. SINBAD provides a flexible platform to implement interoperable and robust processing of single-cell methylome data.

Abstract It remains poorly understood how different cell types organize and coordinate with each other to support tissue functions. We describe CytoCommunity for identification of tissue cellular neighborhoods (TCNs) based on cell phenotypes and their spatial distributions. CytoCommunity learns a mapping directly from cell phenotype space to TCN space by a graph neural network model without using additional gene or protein expression features and is thus applicable to tissue imaging data with a small number of measured features. By leveraging graph pooling, CytoCommunity enables de novo identification of condition-specific TCNs under the supervision of image labels. Using various types of single-cell-resolution spatial proteomics and transcriptomics images, we demonstrate that CytoCommunity can identify TCNs of variable sizes with substantial improvement over existing methods. To further evaluate the ability of CytoCommunity for discovering condition-specific TCNs by supervised learning, we apply it to colorectal and breast cancer tissue images with clinical outcome information. Our analysis reveals novel granulocyte- and cancer associated fibroblast-enriched TCNs specific to high-risk tumors as well as altered tumor-immune and tumor-stromal interactions within and between TCNs compared to low-risk tumors. CytoCommunity represents the first computational tool for end-to-end unsupervised and supervised analyses of single-cell spatial maps and enables direct discovery of conditional-specific cell-cell communication patterns across variable spatial scales.

Summary The initiation and progression of cancer are inextricably linked to the tumor microenvironment (TME). Understanding the function of specific cancer-TME interactions poses a major challenge due in part to the complexity of the in vivo microenvironment. Here we predict cancer-TME interactions from single cell transcriptomic maps of both human colorectal cancers (CRCs) and mouse CRC models, ask how these interactions are altered in established, long-term human tumor organoid (tumoroid) cultures, and functionally recapitulate human myeloid-carcinoma interactions in vitro . Tumoroid cultures suppress gene expression programs involved in promoting inflammation and immune cell migration through receptor-ligand interactions, providing a reductive platform for re-establishing carcinoma-immune cell interactions in vitro . Introduction of human monocyte-derived macrophages into tumoroid cultures instructs macrophages to acquire pro-tumorigenic gene expression programs similar to those observed in vivo . This includes hallmark induction of SPP1 , encoding Osteopontin, an extracellular CD44 ligand with established oncogenic effects. Taken together, these findings offer a framework for understanding CRC-TME interactions and provide a reductionist tool for modeling specific aspects of these interactions.

The transcription factor RUNX1 is mutated in familial platelet disorder with associated myeloid malignancies (FPDMM) and in sporadic myelodysplastic syndrome and leukemia. RUNX1 regulates inflammation in multiple cell types. Here we show that RUNX1 is required in granulocyte-monocyte progenitors (GMPs) to restrict the inflammatory response of neutrophils to toll-like receptor 4 (TLR4) signaling. Loss of RUNX1 in GMPs increased the TLR4 coreceptor CD14 on neutrophils, which contributed to neutrophils’ increased inflammatory cytokine production in response to the TLR4 ligand lipopolysaccharide. RUNX1 loss increased the chromatin accessibility of retrotransposons in GMPs and neutrophils and induced a type I interferon signature characterized by enriched footprints for signal transducer and activator of transcription (STAT1::STAT2) and interferon regulatory factors (IRF) in opened chromatin, and increased expression of interferon-stimulated genes. The overproduction of inflammatory cytokines by neutrophils was reversed by inhibitors of type I IFN signaling. We conclude that RUNX1 restrains the chromatin accessibility of retrotransposons in GMPs and neutrophils, and that loss of RUNX1 increases proinflammatory cytokine production by elevating tonic type I interferon signaling.

Abstract Patients with familial platelet disorder with a predisposition to myeloid malignancy (FPDMM) harbor germline monoallelic mutations in a key hematopoietic transcription factor RUNX1. Previous studies of FPDMM have focused on megakaryocyte (Mk) differentiation, and platelet production and signaling. However, the effects of RUNX1 haploinsufficiency on hematopoietic progenitor cells (HPCs) and subsequent megakaryopoiesis remains incomplete. To address this issue, we studied induced-pluripotent stem cell (iPSC)-derived HPCs (iHPCs) and Mks (iMks) from both patient-derived lines and a wildtype line modified to be RUNX1 haploinsufficient (RUNX1 +/− ), each compared to their isogenic wildtype control. All RUNX1 +/− lines showed decreased iMk yield and depletion of a Mk-biased iHPC subpopulation. To investigate global and local gene expression changes underlying this iHPC shift, single-cell RNA sequencing was performed on sorted FPDMM and control iHPCs. We defined several cell subpopulations in FPDMM Mk-biased iHPCs. Analyses of gene sets upregulated in FPDMM iHPCs indicated enrichment for response to stress, regulation of signal transduction and response to cytokine gene sets. Immunoblotting studies in FPDMM iMks were consistent with these findings, but also identified augmented baseline c-Jun N-terminal kinase (JNK) phosphorylation, known to be activated by transforming growth factor β1 and cellular stressors. J-IN8 and RepSox, small drugs targeting these pathways, corrected quantitative defects in FPDMM iHPC production. These findings were confirmed in adult human CD34 + -derived stem and progenitor cells transduced with lentiviral RUNX1 short-hairpin (sh) RNA to mimic RUNX1 +/− . These mechanistic studies of the defect in megakaryopoiesis in FPDMM suggest druggable pathways for clinical management of thrombocytopenia in affected patients. Key points RUNX1 haploinsufficiency results in a deficiency of megakaryocyte-biased hematopoietic progenitor cells (HPCs). RUNX1 haploinsufficiency elevates druggable proinflammatory and TGFβR1-related pathways in HPCs.

Abstract Despite rapid advances in single-cell DNA methylation profiling methods, computational tools for data analysis are lagging far behind. A number of tasks, including cell type calling and integration with transcriptome data, requires the construction of a robust gene activity matrix as the prerequisite but challenging task. The advent of multi-omics data enables measurement of both DNA methylation and gene expression for the same single cells. Although such data is rather sparse, they are sufficient to train supervised models that capture the complex relationship between DNA methylation and gene expression and predict gene activities at single-cell level. Here, we present MAPLE (Methylome Association by Predictive Linkage to Expression), a computational framework that learns the association between DNA methylation and expression using both gene- and cell-dependent statistical features. Using multiple datasets generated with different experimental protocols, we show that using predicted gene activity values significantly improves several analysis tasks, including clustering, cell type identification and integration with transcriptome data. With the rapid accumulation of single-cell epigenomics data, MAPLE provides a general framework for integrating such data with transcriptome data.

Fetal hematopoietic stem cells (HSCs) undergo a developmental switch to become adult HSCs. The functional properties of the HSCs change dramatically during this switch, including their cycling behavior, hematopoietic lineage outputs and proliferation rate. The relationship between three-dimensional (3D) genome organization, epigenomic state, and transcriptome is poorly understood during this critical developmental transition. Here we conducted a comprehensive survey of the 3D genome, epigenome and transcriptome of fetal and adult HSCs in mouse. We found that chromosomal compartments and topologically associating domains (TAD) are largely conserved between fetal and adult HSCs. However, there is a global trend of increased compartmentalization and TAD boundary strength in adult HSCs. In contrast, dynamics of intra-TAD chromatin interactions is much higher and more widespread, involving over a thousand gene promoters and distal enhancers. Such dynamic interactions target genes involved in cell cycle, metabolism, and hematopoiesis. These developmental-stage-specific enhancer-promoter interactions appear to be mediated by different sets of transcription factors in fetal and adult HSCs, such as TCF3 and MAFB in fetal HSCs, versus NR4A1 and GATA3 in adult HSCs. Loss-of-function studies of TCF3 confirms the role of TCF3 in mediating condition-specific enhancer-promoter interactions and gene regulation in fetal HSCs. In summary, our data suggest that the fetal-to-adult transition is accompanied by extensive changes in intra-TAD chromatin interactions that target genes underlying the phenotypic differences between fetal and adult HSCs.

Single cell chromatin accessibility sequencing (scCAS) has become a powerful technology for understanding epigenetic heterogeneity of complex tissues. The development of several experimental protocols has led to a rapid accumulation of scCAS data. In contrast, there is a lack of open-source software tools for comprehensive processing, analysis and visualization of scCAS data generated using all existing experimental protocols. Here we present scATAC-pro for quality assessment, analysis and visualization of scCAS data. scATAC-pro provides flexible choice of methods for different data processing and analytical tasks, with carefully curated default parameters. A range of quality control metrics are computed for several key steps of the experimental protocol. scATAC-pro generates summary reports for both quality assessment and downstream analysis. It also provides additional utility functions for generating input files for various types of downstream analyses and data visualization. With the rapid accumulation of scCAS data, scATAC-pro will facilitate studies of epigenomic heterogeneity in healthy and diseased tissues.