Abstract Motivation The multiplexed imaging domain is a nascent single-cell analysis field with a complex data structure susceptible to technical variability that disrupts inference. These in situ methods are valuable in understanding cell-cell interactions, but few standardized processing steps or normalization techniques of multiplexed imaging data are available. Results We implement and compare data transformations and normalization algorithms in multiplexed imaging data. Our methods adapt the ComBat and functional data registration methods to remove slide effects in this domain, and we present an evaluation framework to compare the proposed approaches. We present clear slide-to-slide variation in the raw, unadjusted data, and show that many of the proposed normalization methods reduce this variation while preserving and improving the biological signal. Further, we find that dividing this data by its slide mean, and the functional data registration methods, perform the best under our proposed evaluation framework. In summary, this approach provides a foundation for better data quality and evaluation criteria in the multiplexed domain. Availability and Implementation Source code is provided at https://github.com/statimagcoll/MultiplexedNormalization . Contact coleman.r.harris@vanderbilt.edu Supplementary information Supplementary information is available online.

Abstract Most colorectal cancers (CRCs) develop from either adenomas (ADs) or sessile serrated lesions (SSLs). The origins and molecular landscapes of these histologically distinct pre-cancerous polyps remain incompletely understood. Here, we present an atlas at single-cell resolution of sporadic conventional tubular/tubulovillous ADs, SSLs, hyperplastic polyps (HPs), microsatellite stable (MSS) and unstable (MSI-H) CRC, and normal colonic mucosa. Using single-cell transcriptomics and multiplex imaging, we studied 69 datasets from 33 participants. We also examined separate sets of 66 and 274 polyps for RNA and targeted gene sequencing, respectively. We performed multiplex imaging on a tissue microarray of 14 ADs and 15 CRCs, and we integrated pre-cancer polyp data with published single-cell and The Cancer Genome Atlas (TCGA) bulk CRC data to establish potential polyp-cancer relationships. Striking differences were observed between ADs and SSLs that extended to MSS and MSI-H CRCs, respectively, reflecting their distinct origins and trajectories. ADs arose from WNT pathway dysregulation in stem cells, which aberrantly expanded and expressed a Hippo and ASCL2 regenerative program. In marked contrast, SSLs were depleted of stem cell-like populations and instead exhibited a program of gastric metaplasia in the setting of elevated cytotoxic inflammation. Using subtype-specific gene regulatory networks and shared genetic variant analysis, we implicated serrated polyps, including some HPs conventionally considered benign, as arising from a metaplastic program in committed absorptive cells. ADs and SSLs displayed distinct patterns of immune cell infiltration that may influence their natural history. Our multi-omic atlas provides novel insights into the malignant potential of colorectal polyps and serves as a framework for precision surveillance and prevention of sporadic CRC.

Abstract Background Residing in a disadvantaged neighborhood has been linked to increased mortality. However, the impact of residential segregation and social vulnerability on cause-specific mortality is understudied. Additionally, the circulating metabolic correlates of neighborhood sociodemographic environment remain unexplored. Therefore, we examined multiple neighborhood sociodemographic metrics, i.e., neighborhood deprivation index (NDI), residential segregation index (RSI), and social vulnerability index (SVI), with all-cause and cardiovascular disease (CVD) and cancer-specific mortality and circulating metabolites in the Southern Community Cohort Study (SCCS). Methods The SCCS is a prospective cohort of primarily low-income adults aged 40–79, enrolled from the southeastern United States during 2002–2009. This analysis included self-reported Black/African American or non-Hispanic White participants and excluded those who died or were lost to follow-up ≤ 1 year. Untargeted metabolite profiling was performed using baseline plasma samples in a subset of SCCS participants. Results Among 79,631 participants, 23,356 deaths (7214 from CVD and 5394 from cancer) were documented over a median 15-year follow-up. Higher NDI, RSI, and SVI were associated with increased all-cause, CVD, and cancer mortality, independent of standard clinical and sociodemographic risk factors and consistent between racial groups (standardized HRs among all participants were 1.07 to 1.20 in age/sex/race-adjusted model and 1.04 to 1.08 after comprehensive adjustment; all P < 0.05/3 except for cancer mortality after comprehensive adjustment). The standard risk factors explained < 40% of the variations in NDI/RSI/SVI and mediated < 70% of their associations with mortality. Among 1110 circulating metabolites measured in 1688 participants, 134 and 27 metabolites were associated with NDI and RSI (all FDR < 0.05) and mediated 61.7% and 21.2% of the NDI/RSI-mortality association, respectively. Adding those metabolites to standard risk factors increased the mediation proportion from 38.4 to 87.9% and 25.8 to 42.6% for the NDI/RSI-mortality association, respectively. Conclusions Among low-income Black/African American adults and non-Hispanic White adults living in the southeastern United States, a disadvantaged neighborhood sociodemographic environment was associated with increased all-cause and CVD and cancer-specific mortality beyond standard risk factors. Circulating metabolites may unveil biological pathways underlying the health effect of neighborhood sociodemographic environment. More public health efforts should be devoted to reducing neighborhood environment-related health disparities, especially for low-income individuals.

Spatially resolved molecular assays provide high dimensional genetic, transcriptomic, proteomic, and epigenetic information in situ and at various resolutions. Pairing these data across modalities with histological features enables powerful studies of tissue pathology in the context of an intact microenvironment and tissue structure. Increasing dimensions across molecular analytes and samples require new data science approaches to functionally annotate spatially resolved molecular data. A specific challenge is data-driven cross-sample domain detection that allows for analysis within and between consensus tissue compartments across high volumes of multiplex datasets stemming from tissue atlasing efforts. Here, we present MILWRM – multiplex image labeling with regional morphology – a Python package for rapid, multi-scale tissue domain detection and annotation. We demonstrate MILWRM’s utility in identifying histologically distinct compartments in human colonic polyps and mouse brain slices through spatially-informed clustering in two different spatial data modalities. Additionally, we used tissue domains detected in human colonic polyps to elucidate molecular distinction between polyp subtypes. We also explored the ability of MILWRM to identify anatomical regions of mouse brain and their respective distinct molecular profiles.

Abstract The gut microbiota plays an important role in human health and disease. Stool, swab and mucosal tissue samples have been used in individual studies to survey the microbial community but the consequences of using these different sample types are not completely understood. We previously reported differences in microbial community composition with 16S rRNA amplicon sequencing between stool, swab and mucosal tissue samples. Here, we extended the previous study to a larger cohort and performed shotgun metagenome sequencing of 1,397 stool, swab and mucosal tissue samples from 240 participants. Consistent with previous results, taxonomic composition of stool and swab samples was distinct, but still more similar to each other than mucosal tissue samples, which had a substantially different community composition, characterized by a high relative abundance of the mucus metabolizers Bacteroides and Subdoligranulum, as well as bacteria with higher tolerance for oxidative stress such as Escherichia . As has been previously reported, functional profiles were more uniform across sample types than taxonomic profiles with differences between stool and swab samples smaller, but mucosal tissue samples remained distinct from the other two types. When the taxonomic and functional profiles of different sample types were used for inference in association with host phenotypes of age, sex, body mass index (BMI), antibiotics or non-steroidal anti-inflammatory drugs (NSAIDs) use, hypothesis testing using either stool or swab gave broadly similar results, but inference performed on mucosal tissue samples gave results that were generally less consistent with either stool or swab. Our study represents an important resource for the experimental design of studies aimed to understand microbiota perturbations specific to defined micro niches within the human intestinal tract.

Physical inactivity and sedentary behavior are recognized as independent risk factors for many diseases. However, studies investigating their associations with total and cause-specific mortality in low-income and Black populations are limited, particularly among older adults.

Abstract Motivation Multiplexed immunofluorescence (mIF) is an emerging assay for multichannel protein imaging that can decipher cell-level spatial features in tissues. However, existing automated cell phenotyping methods, such as clustering, face challenges in achieving consistency across experiments and often require subjective evaluation. As a result, mIF analyses often revert to marker gating based on manual thresholding of raw imaging data. Results To address the need for an evaluable semi-automated algorithm, we developed GammaGateR, an R package for interactive marker gating designed specifically for segmented cell-level data from mIF images. Based on a novel closed-form gamma mixture model, GammaGateR provides estimates of marker-positive cell proportions and soft clustering of marker-positive cells. The model incorporates user-specified constraints that provide a consistent but slide-specific model fit. We compared GammaGateR against the newest unsupervised approach for annotating mIF data, employing two colon datasets and one ovarian cancer dataset for the evaluation. We showed that GammaGateR produces highly similar results to a silver standard established through manual annotation. Furthermore, we demonstrated its effectiveness in identifying biological signals, achieved by mapping known spatial interactions between CD68 and MUC5AC cells in the colon and by accurately predicting survival in ovarian cancer patients using the phenotype probabilities as input for machine learning methods. GammaGateR is a highly efficient tool that can improve the replicability of marker gating results, while reducing the time of manual segmentation. Availability and implementation The R package is available at https://github.com/JiangmeiRubyXiong/GammaGateR.

Multiplexed immunofluorescence (mIF) is an emerging assay for multichannel protein imaging that can decipher cell-level spatial features in tissues. However, existing automated cell phenotyping methods, such as clustering, face challenges in achieving consistency across experiments and often require subjective evaluation. As a result, mIF analyses often revert to marker gating based on manual thresholding of raw imaging data. To address the need for an evaluable semi-automated algorithm, we developed GammaGateR, an R package for interactive marker gating designed specifically for segmented cell-level data from mIF images. Based on a novel closed-form gamma mixture model, GammaGateR provides estimates of marker-positive cell proportions and soft clustering of marker-positive cells. The model incorporates user-specified constraints that provide a consistent but slide-specific model fit. We compared GammaGateR against the newest unsupervised approach for annotating mIF data, employing two colon datasets and one ovarian cancer dataset for the evaluation. We showed that GammaGateR produces highly similar results to a silver standard established through manual annotation. Furthermore, we demonstrated its effectiveness in identifying biological signals, achieved by mapping known spatial interactions between CD68 and MUC5AC cells in the colon and by accurately predicting survival in ovarian cancer patients using the phenotype probabilities as input for machine learning methods. GammaGateR is a highly efficient tool that can improve the replicability of marker gating results, while reducing the time of manual segmentation.

Key to understanding many biological phenomena is knowing the temporal ordering of cellular events, which often require continuous direct observations [1, 2]. An alternative solution involves the utilization of irreversible genetic changes, such as naturally occurring mutations, to create indelible markers that enables retrospective temporal ordering [3-8]. Using NSC-seq, a newly designed and validated multi-purpose single-cell CRISPR platform, we developed a molecular clock approach to record the timing of cellular events and clonality

Microbial influences on host cells depend upon the identities of the microbes, their spatial localization, and the responses they invoke on specific host cell populations. Multi-modal analyses of both microbes and host cells in a spatially-resolved fashion would enable studies into these complex interactions in native tissue environments, potentially in clinical specimens. While techniques to preserve each of the microbial and host cell compartments have been used to examine tissues and microbes separately, we endeavored to develop approaches to simultaneously analyze both compartments. Herein, we established an original method for mucus preservation using Poloxamer 407 (also known as Pluronic F-127), a thermoreversible polymer with mucus-adhesive characteristics. We demonstrate that this approach can preserve spatially-defined compartments of the mucus bi-layer in the colon and the bacterial communities within, compared with their marked absence when tissues were processed with traditional formalin-fixed paraffin-embedded (FFPE) pipelines. Additionally, antigens for antibody staining of host cells were preserved and signal intensity for 16S rRNA fluorescence in situ hybridization (FISH) was enhanced in Poloxamer-fixed samples. This in turn enabled us to integrate multi-modal analysis using a modified multiplex immunofluorescence (MxIF) protocol. Importantly, we have formulated Poloxamer 407 to polymerize and crosslink at room temperature for use in clinical workflows. These results suggest that the fixative formulation of Poloxamer 407 can be integrated into biospecimen collection pipelines for simultaneous analysis of microbes and host cells.### Competing Interest StatementCLS receives research funding from Bristol Myers Squibb and Janssen and a personal fee from Merck & Co. in 2019 for an advisory role. The authors declare that there are no other competing interests.