Abstract Advances in genetic engineering have made it possible to reprogram individual immune cells to express receptors that recognise markers on tumour cell surfaces. The process of re-engineering T cell lymphocytes to express Chimeric Antigen Receptors (CARs), and then re-infusing the CAR-modified T cells into patients to treat various cancers is referred to as CAR T cell therapy. This therapy is being explored in clinical trials - most prominently for B Cell Acute Lymphoblastic Leukaemia (B-ALL), a common B cell malignancy, for which CAR T cell therapy has led to remission in up to 90% of patients. Despite this extraordinary response rate, however, potentially fatal inflammatory side effects occur in up to 10% of patients who have positive responses. Further, approximately 50% of patients who initially respond to the therapy relapse. Significant improvement is thus necessary before the therapy can be made widely available for use in the clinic. To inform future development, we develop a mathematical model to explore interactions between CAR T cells, inflammatory toxicity, and individual patients’ tumour burdens in silico . This paper outlines the underlying system of coupled ordinary differential equations designed based on well-known immunological principles and widely accepted views on the mechanism of toxicity development in CAR T cell therapy for B-ALL - and reports in silico outcomes in relationship to standard and recently conjectured predictors of toxicity in a heterogeneous, randomly generated patient population. Our initial results and analyses are consistent with and connect immunological mechanisms to the clinically observed, counterintuitive hypothesis that initial tumour burden is a stronger predictor of toxicity than is the dose of CAR T cells administered to patients. We outline how the mechanism of action in CAR T cell therapy can give rise to such non-standard trends in toxicity development, and demonstrate the utility of mathematical modelling in understanding the relationship between predictors of toxicity, mechanism of action, and patient outcomes.

Abstract Recent biotechnological advances led to growing numbers of single-cell perturbation studies, which reveal molecular and phenotypic responses to large numbers of perturbations. However, analysis across diverse datasets is typically hampered by differences in format, naming conventions, and data filtering. In order to facilitate development and benchmarking of computational methods in systems biology, we collect a set of 44 publicly available single-cell perturbation-response datasets with molecular readouts, including transcriptomics, proteomics and epigenomics. We apply uniform pre-processing and quality control pipelines and harmonize feature annotations. The resulting information resource enables efficient development and testing of computational analysis methods, and facilitates direct comparison and integration across datasets. In addition, we introduce E-statistics for perturbation effect quantification and significance testing, and demonstrate E-distance as a general distance measure for single cell data. Using these datasets, we illustrate the application of E-statistics for quantifying perturbation similarity and efficacy. The data and a package for computing E-statistics is publicly available at scperturb.org. This work provides an information resource and guide for researchers working with single-cell perturbation data, highlights conceptual considerations for new experiments, and makes concrete recommendations for optimal cell counts and read depth.

Advanced cancers, such as prostate and breast cancers, commonly metastasize to bone. In the bone matrix, dendritic osteocytes form a spatial network allowing communication between osteocytes and the osteoblasts located on the bone surface. This communication network facilitates coordinated bone remodelling. In the presence of a cancerous microenvironment, the morphology of this network changes. Commonly osteocytes appear to be either overdifferentiated (i.e., there are more dendrites than healthy bone) or underdeveloped (i.e., dendrites do not fully form). In addition to structural changes, histological sections from metastatic breast cancer xenografted mice show that number of osteocytes per unit area is different between healthy bone and cancerous bone. We present a stochastic agent-based model for bone formation incorporating osteoblasts and osteocytes that allows us to probe both network structure and density of osteocytes in bone. Our model both allows for the simulation of our spatial network model and analysis of mean-field equations in the form of integro-partial differential equations. We considered variations of our model to study specific physiological hypotheses related to osteoblast differentiation; for example predicting how changing biological parameters, such as rates of bone secretion, rates of cancer formation and rates of osteoblast differentiation can allow for qualitatively different network morphologies. We then used our model to explore how commonly applied therapies such as bisphosphonates (e.g. zoledronic acid) impact osteocyte network formation.

Recent high-dimensional single-cell technologies such as mass cytometry are enabling time series experiments to monitor the temporal evolution of cell state distributions and to identify dynamically important cell states, such as fate decision states in differentiation. However, these technologies are destructive, and require analysis approaches that temporally map between cell state distributions across time points. Current approaches to approximate the single-cell time series as a dynamical system suffer from too restrictive assumptions about the type of kinetics, or link together pairs of sequential measurements in a discontinuous fashion. We propose Dynamic Distribution Decomposition (DDD), an operator approximation approach to infer a continuous distribution map between time points. On the basis of single-cell snapshot time series data, DDD approximates the continuous time Perron-Frobenius operator by means of a finite set of basis functions. This procedure can be interpreted as a continuous time Markov chain over a continuum of states. By only assuming a memoryless Markov (autonomous) process, the types of dynamics represented are more general than those represented by other common models, e.g., chemical reaction networks, stochastic differential equations. Additionally, the continuity assumption ensures that the same dynamical system maps between all time points, not arbitrarily changing at each time point. We demonstrate the ability of DDD to reconstruct dynamically important cell states and their transitions both on synthetic data, as well as on mass cytometry time series of iPSC reprogramming of a fibroblast system. We use DDD to find previously identified subpopulations of cells and to visualize differentiation trajectories. Dynamic Distribution Decomposition allows interpreting high-dimensional snapshot time series data as a low-dimensional Markov process, thereby enabling an interpretable dynamics analysis for a variety of biological processes by means of identifying their dynamically important cell states.

Acquired therapy resistance to cancer treatment is a common and serious clinical problem. The classic U-shape model for the emergence of resistance supposes that: (1) treatment changes the selective pressure on the treatment-naive tumour; (2) this shifting pressure creates a proliferative or survival difference between sensitive cancer cells and either an existing or de novo mutant; (3) the resistant cells then out-compete the sensitive cells and -- if further interventions (like drug holidays or new drugs or dosage changes) are not pursued -- take over the tumour: returning it to a state dangerous to the patient. The emergence of ruxolitinib resistance in chronic myelomonocytic leukemia (CMML) seems to challenge the classic model: we see the global properties of resistance, but not the drastic change in clonal architecture expected with the selection bottleneck. To study this, we explore three population-level models as alternatives to the classic model of resistance. These three effective models are designed in such a way that they are distinguishable based on limited experimental data on the time-progression of resistance in CMML. We also propose a candidate reductive implementation of the proximal cause of resistance to ground these effective theories. With these reductive implementations in mind, we also explore the impact of oxygen diffusion and spatial structure more generally on the dynamics of CMML in the bone marrow concluding that, even small fluctuations in oxygen availability can seriously impact the efficacy of ruxolitinib. Finally, we look at the ability of spatially distributed cytokine signaling feedback loops to produce a relapse in symptoms similar to what we observe in the clinic.

Abstract Interactions between transcription factors (TF) and chromatin factors (CF) regulate gene expression programmes to determine cellular fate. However, unlike for TF, the exact role of CF in this process is poorly understood. Using haematopoiesis as a model system and utilising novel functional CRISPR screens ex vivo and in vivo , coupled with Perturb-Seq, CF binding and genome-wide chromatin accessibility in primary murine cells, we assess the role of 550 chromatin factors in lineage choice in normal haematopoiesis and the maintenance of acute myeloid leukaemia (AML). These studies demonstrate marked specificity for a large number of CFs in lineage determination, highlighting functional diversity within specific families of chromatin regulators, including MLL-H3K4-methyltransferases and different BAF-complexes, that regulate disparate lineage decisions across haematopoiesis. Conversely, we demonstrate that unrelated Repressive complexes function similarly to restrain excessive myeloid differentiation and protect lineage diversity. We identify interactions between CF and TF that, at least in part, explain the regulatory function of CF and link Brd9- loss to a premalignant state. Utilising similar experiments in a relevant murine AML model, we demonstrate opposing effects for CF in normal haematopoiesis and AML, where MLL-H3K4-methyltransferases, c-BAF-remodelers and Repressive complexes prevent differentiation and maintain leukaemic fitness. We show that this alteration relates to differential utilisation of TF by CF complexes between normal and malignant haematopoiesis, highlighting corrupted TF-CF interactions as potential novel avenues for therapeutic intervention in AML. Together, this study provides novel insights on the functional diversity of chromatin factors in governing cell-fate.