Abstract We introduce SpatialDecon, an algorithm for quantifying cell populations defined by single cell RNA sequencing within the regions of spatially-resolved gene expression studies. It obtains cell abundance estimates that are spatially-resolved, granular, and paired with highly multiplexed gene expression data. SpatialDecon incorporates several advancements in the field of gene expression deconvolution. We propose an algorithm based in log-normal regression, attaining sometimes dramatic performance improvements over classical least-squares methods. We compile cell profile matrices for 27 tissue types. We identify genes whose minimal expression by cancer cells makes them suitable for immune deconvolution in tumors. And we provide a lung tumor dataset for benchmarking immune deconvolution methods. In a lung tumor GeoMx DSP experiment, we observe a spatially heterogeneous immune response in intricate detail and identify 7 distinct phenotypes of the localized immune response. We then demonstrate how cell abundance estimates give crucial context for interpreting gene expression results.

Abstract Emerging spatial profiling technology has enabled high-plex molecular profiling in biological tissues, preserving the spatial and morphological context of gene expression. Here we describe expanding the chemistry for the Digital Spatial Profiling platform to quantify whole transcriptomes in human and mouse tissues using a wide range of spatial profiling strategies and sample types. We designed multiplexed in situ hybridization probe pools targeting the protein-coding genes in the human and mouse transcriptomes, hereafter referred to as the human or mouse Whole Transcriptome Atlas (WTA). We validated the human and mouse WTA using cell lines to demonstrate concordance with orthogonal gene expression profiling methods in profiled region sizes ranging from ~10-500 cells. By benchmarking against bulk RNAseq and fluorescence in situ hybridization, we demonstrate robust transcript detection possible down to ~100 transcripts per region. To assess the performance of WTA across tissue and sample types, we applied WTA to biological questions in cancer, molecular pathology, and developmental biology. We show that spatial profiling with WTA can detect expected spatial gene expression differences between tumor and tumor microenvironment, identify spatial disease-specific heterogeneity in gene expression in histological structures of the human kidney, and comprehensively map transcriptional programs in anatomical substructures of nine organs in the developing mouse embryo. Digital Spatial Profiling technology with the WTA assays provides a flexible method for spatial whole transcriptome profiling applicable to diverse tissue types and biological contexts.