In this work, we report the set-up and results of the Liver Tumor Segmentation Benchmark (LiTS), which was organized in conjunction with the IEEE International Symposium on Biomedical Imaging (ISBI) 2017 and the International Conferences on Medical Image Computing and Computer-Assisted Intervention (MICCAI) 2017 and 2018. The image dataset is diverse and contains primary and secondary tumors with varied sizes and appearances with various lesion-to-background levels (hyper-/hypo-dense), created in collaboration with seven hospitals and research institutions. Seventy-five submitted liver and liver tumor segmentation algorithms were trained on a set of 131 computed tomography (CT) volumes and were tested on 70 unseen test images acquired from different patients. We found that not a single algorithm performed best for both liver and liver tumors in the three events. The best liver segmentation algorithm achieved a Dice score of 0.963, whereas, for tumor segmentation, the best algorithms achieved Dices scores of 0.674 (ISBI 2017), 0.702 (MICCAI 2017), and 0.739 (MICCAI 2018). Retrospectively, we performed additional analysis on liver tumor detection and revealed that not all top-performing segmentation algorithms worked well for tumor detection. The best liver tumor detection method achieved a lesion-wise recall of 0.458 (ISBI 2017), 0.515 (MICCAI 2017), and 0.554 (MICCAI 2018), indicating the need for further research. LiTS remains an active benchmark and resource for research, e.g., contributing the liver-related segmentation tasks in http://medicaldecathlon.com/. In addition, both data and online evaluation are accessible via https://competitions.codalab.org/competitions/17094.

We report a study of three-dimensional (3D) localization of ultracold atoms suspended against gravity, and released in a 3D optical disordered potential with short correlation lengths in all directions. We observe density profiles composed of a steady localized part and a diffusive part. Our observations are compatible with the self-consistent theory of Anderson localization, taking into account the specific features of the experiment, and in particular the broad energy distribution of the atoms placed in the disordered potential. The localization we observe cannot be interpreted as trapping of particles with energy below the classical percolation threshold.

Abstract Targeted spatial transcriptomics methods capture the topology of cell types and states in tissues at single cell- and subcellular resolution by measuring the expression of a predefined set of genes. The selection of an optimal set of probed genes is crucial for capturing and interpreting the spatial signals present in a tissue. However, current selections often rely on marker genes, precluding them from detecting continuous spatial signals or novel states. We present Spapros, an end-to-end probe set selection pipeline that optimizes both probe set specificity for cell type identification and within-cell-type expression variation to resolve spatially distinct populations while taking into account prior knowledge, as well as probe design and expression constraints. To facilitate data analysis and interpretation, Spapros also provides rules for cell type identification. We evaluated Spapros by selecting probes on 6 different data sets and built an evaluation pipeline with 12 quality metrics to find that Spapros outperforms other selection approaches in both cell type recovery and recovering expression variation beyond cell types. Furthermore, we used Spapros to design a SCRINSHOT experiment of adult lung tissue to demonstrate how probes selected with Spapros identify cell types of interest and detect spatial variation even within cell types. Spapros enables optimal probe set selection, probe set evaluation, and probe design, as a freely available Python package.

Abstract CRISPR interference (CRISPRi), the targeting of a catalytically dead Cas protein to block transcription, is the leading technique to silence gene expression in bacteria. However, design rules for CRISPRi remain poorly defined, limiting predictable design for gene interrogation, pathway manipulation, and high-throughput screens. Here we develop a best-in-class prediction algorithm for guide silencing efficiency by systematically investigating factors influencing guide depletion in multiple genome-wide essentiality screens, with the surprising discovery that gene-specific features such as transcriptional activity substantially impact prediction of guide activity. Accounting for these features as part of algorithm development allowed us to develop a mixed-effect random forest regression model that provides better estimates of guide efficiency than existing methods, as demonstrated in an independent saturating screen. We further applied methods from explainable AI to extract interpretable design rules from the model, such as sequence preferences in the vicinity of the PAM distinct from those previously described for genome engineering applications. Our approach provides a blueprint for the development of predictive models for CRISPR technologies where only indirect measurements of guide activity are available.

Abstract Interstitial lung disease (ILD) is a heterogenous group of lung disorders where destruction and incomplete regeneration of the lung parenchyma often results in persistent architectural distortion of the pulmonary scaffold. Continuous mesenchyme-centered, disease-relevant signaling likely initiates and perpetuates the fibrotic remodeling process, specifically targeting the epithelial cell compartment, thereby destroying the gas exchange area. With the aim of identifying functionally relevant mediators of the lung mesenchymal-epithelial crosstalk that hold potential as new targets for therapeutic strategies, we developed a 3D organoid co-culture model based on human induced pluripotent stem cell-derived alveolar epithelial type 2 cells that form alveolar organoids in presence of lung fibroblasts from ILD patients as well as a control cell line (IMR-90). While organoid formation capacity and size was comparable in the presence of ILD or control lung fibroblasts, metabolic activity was significantly increased in ILD co-cultures. Alveolar organoids cultured with ILD fibroblasts further demonstrated reduced stem cell function as reflected by reduced Surfactant Protein C gene expression together with an aberrant basaloid-prone differentiation program indicated by elevated Cadherin 2, Bone Morphogenic Protein 4 and Vimentin transcription. In order to screen for key mediators of the misguided mesenchymal-to-epithelial crosstalk with a focus on disease-relevant inflammatory processes, we used mass spectrometry and characterized the secretome of end stage ILD lung fibroblasts in comparison to non-chronic lung disease (CLD) patient fibroblasts. Out of the over 2000 proteins detected by this experimental approach, 47 proteins were differentially abundant comparing ILD and non-CLD fibroblast secretome. The ILD secretome profile was dominated by chemokines, including CXCL1, CXCL3 , and CXCL8 , interfering with growth factor signaling orchestrated by Interleukin 11 (IL11) , steering fibrogenic cell-cell communication, and proteins regulating extracellular matrix remodeling including epithelial-to-mesenchymal transition. When in turn treating alveolar organoids with IL11 , we recapitulated the co-culture results obtained with primary ILD fibroblasts including changes in metabolic activity. In summary, we identified mediators likely contributing to the disease-perpetuating mesenchymal-to-epithelial crosstalk in ILD. In our alveolar organoid co-cultures, we were able to highlight the importance of fibroblast-initiated aberrant epithelial differentiation and confirmed IL11 as a key player in ILD pathogenesis by unbiased ILD fibroblast secretome analysis. Abstract Figure

Many diseases, such as obesity, have systemic effects that impact multiple organ systems throughout the body. However, tools for comprehensive, high-resolution analysis of disease-associated changes at the whole-body scale have been lacking. Here, we developed a suite of deep learning-based image analysis algorithms (MouseMapper) and integrated it with tissue clearing and light-sheet microscopy to enable a comprehensive analysis of diseases impacting diverse systems across the mouse body. This approach enables the quantitative analysis of cellular and structural changes across the entire mouse body at unprecedented resolution and scale, including tracking nerves over several centimeters in whole animal bodies. To demonstrate its power, we applied MouseMapper to study nervous and immune systems in high-fat diet induced obesity. We uncovered widespread changes in both immune cell distribution and nerve structures, including alterations in the trigeminal nerve characterized by a reduced number of nerve endings in obese mice. These structural abnormalities were associated with functional deficits of whisker sensing and proteomic changes in the trigeminal ganglion, primarily affecting pathways related to axon growth and the complement system. Additionally, we found heterogeneity in obesity-induced whole-body inflammation across different tissues and organs. Our study demonstrates MouseMapper's capability to discover and quantify pathological alterations at the whole-body level, offering a powerful approach for investigating the systemic impacts of various diseases.

ABSTRACT Metabolic rewiring is essential to enable cancer onset and progression. One important metabolic pathway that is often hijacked by cancer cells is the one-carbon cycle, in which the third carbon of serine is oxidized to formate. We have previously shown that formate production in cancer cells often exceeds the anabolic demand, resulting in formate overflow. Furthermore, we observed that high extracellular formate promotes the in vitro invasiveness of glioblastoma (GBM) cells. However, additional data supporting this in vitro observation and mechanistic details remained elusive so far. In the present study, we now demonstrate that inhibition of formate overflow results in a decreased invasiveness of GBM cells ex vivo and in vivo . Additionally, we observed that exposure to exogeneous formate can induce a transiently stable pro-invasive phenotype that results in increased metastasis formation in vivo . All in all, these results suggest that a local formate increase within the tumor microenvironment may be one factor that can promote cancer cell motility and dissemination. Mechanistically, we uncover a previously undescribed interplay where formate acts as a trigger to alter fatty acid metabolism and matrix metalloproteinase (MMP) activity which in turn impacts cancer cell invasiveness. We thus highlight the role of formate as a pro-invasive metabolite. Gaining a deeper understanding of formate overflow and how it promotes invasion in cancer, may open new therapeutic opportunities to prevent cancer cell dissmination.

Abstract Background Surgical resection is the standard of care for patients with large or symptomatic brain metastases (BMs). Despite improved local control after adjuvant stereotactic radiotherapy, the risk of local failure (LF) persists. Therefore, we aimed to develop and externally validate a pre-therapeutic radiomics-based prediction tool to identify patients at high LF risk. Methods Data were collected from A Multicenter Analysis of Stereotactic Radiotherapy to the Resection Cavity of BMs (AURORA) retrospective study (training cohort: 253 patients from 2 centers; external test cohort: 99 patients from 5 centers). Radiomic features were extracted from the contrast-enhancing BM (T1-CE MRI sequence) and the surrounding edema (T2-FLAIR sequence). Different combinations of radiomic and clinical features were compared. The final models were trained on the entire training cohort with the best parameter set previously determined by internal 5-fold cross-validation and tested on the external test set. Results The best performance in the external test was achieved by an elastic net regression model trained with a combination of radiomic and clinical features with a concordance index (CI) of 0.77, outperforming any clinical model (best CI: 0.70). The model effectively stratified patients by LF risk in a Kaplan–Meier analysis (P < .001) and demonstrated an incremental net clinical benefit. At 24 months, we found LF in 9% and 74% of the low and high-risk groups, respectively. Conclusions A combination of clinical and radiomic features predicted freedom from LF better than any clinical feature set alone. Patients at high risk for LF may benefit from stricter follow-up routines or intensified therapy.

Abstract Targeted (nano-)drug delivery is essential for treating respiratory diseases, which are often confined to distinct lung regions. However, spatio-temporal profiling of drugs or nanoparticles (NPs) and their interactions with lung macrophages remains unresolved. Here, we present LungVis 1.0, an AI-powered imaging ecosystem that integrates light sheet fluorescence microscopy with deep learning-based image analysis pipelines to map NP deposition and dosage holistically and quantitatively across bronchial and alveolar (acinar) regions in murine lungs for widely-used bulk-liquid and aerosol-based delivery methods. We demonstrate that bulk-liquid delivery results in patchy NP distribution with elevated bronchial doses, whereas aerosols achieve uniform deposition reaching distal alveoli. Furthermore, we reveal that lung tissue-resident macrophages (TRMs) are dynamic, actively patrolling and redistributing NPs within alveoli, contesting the conventional paradigm of TRMs as static entities. LungVis 1.0 provides an advanced framework for exploring pulmonary delivery dynamics and deepening insights into TRM-mediated lung immunity.