Abstract Appropriately tailored segmentation techniques can extract detailed quantitative information from biological image datasets to characterize and better understand sample distributions. Practically, high-resolution characterization of biological samples such as cell populations can provide insights into the sources of variance in biomarker expression, drug resistance, and other phenotypic aspects, but it is still unclear what is the best method for extracting this information from large image-based datasets. We present a software pipeline and comparison of multiple image segmentation methods to extract single-cell morphological and fluorescence quantitation from time lapse images of clonal growth rates using a recently reported microfluidic system. The inputs in all pipelines consist of thousands of unprocessed images and the outputs are the detection of cell counts, chamber identifiers, and individual morphological properties of each clone over time detected through multi-channel fluorescence and bright field imaging. Our conclusion is that unsupervised learning methods for cell segmentation substantially outperform supervised statistical methods with respect to accuracy and have key advantages including individual cell instance detection and flexibility through model training. We expect this system and software to have broad utility for researchers interested in high-throughput single-cell biology.

Human cytomegalovirus (HCMV) encodes four viral Fc-gamma receptors (vFcγRs) that counteract antibody-mediated activation

While the benefits of early antiretroviral therapy (ART) initiation in perinatally infected infants are well documented, early initiation is not always possible in postnatal pediatric HIV infections. The timing of ART initiation is likely to affect the size of the latent viral reservoir established, as well as the development of adaptive immune responses, such as the generation of neutralizing antibody responses against the virus. How these parameters impact the ability of infants to control viremia and the time to viral rebound after ART interruption is unclear and has never been modeled in infants. To investigate this question we used an infant nonhuman primate Simian/Human Immunodeficiency Virus (SHIV) infection model. Infant Rhesus macaques (RMs) were orally challenged with SHIV.C.CH505 375H dCT and either given ART at 4-7 days post-infection (early ART condition), at 2 weeks post-infection (intermediate ART condition), or at 8 weeks post-infection (late ART condition). These infants were then monitored for up to 60 months post-infection with serial viral load and immune measurements. To gain insight into early after analytic treatment interruption (ATI), we constructed mathematical models to investigate the effect of time of ART initiation in delaying viral rebound when treatment is interrupted, focusing on the relative contributions of latent reservoir size and autologous virus neutralizing antibody responses. We developed a stochastic mathematical model to investigate the joint effect of latent reservoir size, the autologous neutralizing antibody potency, and CD4+ T cell levels on the time to viral rebound for RMs rebounding up to 60 days post-ATI. We find that the latent reservoir size is an important determinant in explaining time to viral rebound in infant macaques by affecting the growth rate of the virus. The presence of neutralizing antibodies can also delay rebound, but we find this effect for high potency antibody responses only. Finally, we discuss the therapeutic implications of our findings.

Abstract SifiNet is a robust and accurate computational pipeline for identifying distinct gene sets, extracting and annotating cellular subpopulations, and elucidating intrinsic relationships among these subpopulations. Uniquely, SifiNet bypasses the cell clustering stage, commonly integrated into other cellular annotation pipelines, thereby circumventing potential inaccuracies in clustering that may compromise subsequent analyses. Consequently, SifiNet has demonstrated superior performance in multiple experimental datasets compared with other state-of-the-art methods. SifiNet can analyze both single-cell RNA and ATAC sequencing data, thereby rendering comprehensive multiomic cellular profiles. It is conveniently available as an open-source R package.

Single-cell RNA-sequencing (scRNA-seq) technology allows us to explore cellular heterogeneity in the transcriptome. Because most scRNA-seq data analyses begin with cell clustering, its accuracy considerably impacts the validity of downstream analyses. Although many clustering methods have been developed, few tools are available to evaluate the clustering "goodness-of-fit" to the scRNA-seq data. In this paper, we propose a new Clustering Deviation Index (CDI) that measures the deviation of any clustering label set from the observed single-cell data. We conduct in silico and experimental scRNA-seq studies to show that CDI can select the optimal clustering label set. Particularly, CDI also informs the optimal tuning parameters for any given clustering method and the correct number of cluster components.

Abstract Approximately 1 in 200 infants is born with congenital cytomegalovirus (CMV), making it the most common congenital infection. About 1 in 5 congenitally-infected babies will suffer long-term sequelae, including sensorineural deafness, intellectual disability, and epilepsy. CMV infection is highly species-dependent, and the Rhesus CMV (RhCMV) infection of rhesus monkey fetuses is the only animal model that replicates essential features of congenital CMV infection in humans, including placental transmission, fetal disease, and fetal loss. To better understand the determinants and dynamics of congenital CMV transmission, we developed a mathematical model for placental transmission, comprising of maternal, placental, and fetal compartments using parameters from literature and experimental data from RhCMV seronegative rhesus macaques inoculated with RhCMV at 7.7-9.0 weeks of pregnancy. The model was then used to study the effect of the timing of inoculation, maternal immune suppression, and hyper-immune globulin infusion on the risk of placental transmission in the context of primary and reactivated chronic maternal CMV infection. Author summary Congenital cytomegalovirus (CMV) is the most common congenital infection in humans. Congenial CMV affects 1 in 200 infants, and can result in sensorineural deafness, intellectual disability, epilepsy, and death. The Rhesus CMV (RhCMV) model is the only animal model that replicates essential features of congenital CMV infection and fetal sequelae in humans and provides a critical experimental system to develop mechanistic insight. We propose a novel mathematical model for CMV transmission that integrates viral dynamics in the maternal, placental, and fetal compartments. We calibrate the model using data from RhCMV transmission experiments and show that the model can recapitulate experimental observations of primary versus reactivated chronic CMV infection in pregnancy, primary infection at different stages in pregnancy, and infection in the presence of varying degrees of immune suppression and hyper-immune globulin infusion. Our in-silico model provides a means to rapidly explore mechanistic hypotheses for the physical, viral, and immune determinants of CMV transmission to complement and support expensive and difficult experiments on non-human primates.

Abstract Lymphoblastoid Cell Lines (LCLs) are generated by transforming primary B cells with Epstein-Barr Virus (EBV) and are used extensively as model systems in viral oncology, immunology, and human genetics research. In this study, we characterized single-cell transcriptomic profiles of five LCLs and present a simple discrete-time simulation to explore the influence of stochasticity on LCL clonal evolution. Single-cell RNA sequencing revealed substantial phenotypic heterogeneity within and across LCLs with respect to immunoglobulin isotype; virus-modulated host pathways involved in survival, proliferation, and differentiation; viral replication state; and oxidative stress. This heterogeneity is likely attributable to intrinsic variance in primary B cells and host-pathogen dynamics. Stochastic simulations demonstrate that initial primary cell heterogeneity, random sampling, time in culture, and even mild differences in phenotype-specific fitness can contribute substantially to dynamic diversity in populations of nominally clonal cells.

ABSTRACT Ribosomal RNA (rRNA) is the major RNA constituent of cells, therefore most RNA sequencing (RNA-Seq) experiments involve removal of rRNA. This process, called RNA enrichment, is done primarily to reduce cost: without rRNA removal, deeper sequencing would need to be performed to balance the sequencing reads wasted on rRNA. The ideal RNA enrichment method would remove all rRNA without affecting other RNA in the sample. We have tested the performance of three RNA enrichment methods on RNA isolated from Cryptococcus neoformans , a fungal pathogen of humans. We show that the RNase H depletion method unambiguously outperforms the commonly used Poly(A) isolation method: the RNase H method more efficiently depletes rRNA while more accurately recapitulating the expression levels of other RNA observed in an unenriched “gold standard”. The RNase H depletion method is also superior to the Ribo-Zero depletion method as measured by rRNA depletion efficiency and recapitulation of protein-coding gene expression levels, while the Ribo-Zero depletion method performs moderately better in preserving non-coding RNA (ncRNA). Finally, we have leveraged this dataset to identify novel long non-coding RNA (lncRNA) genes and to accurately map the C. neoformans mitochondrial rRNA genes. ARTICLE SUMMARY We compare the efficacy of three different RNA enrichment methods for RNA-Seq in Cryptococcus neoformans : RNase H depletion, Ribo-Zero depletion, and Poly(A) isolation. We show that the RNase H depletion method, which is evaluated in C. neoformans samples for the first time here, is highly efficient and specific in removing rRNA. Additionally, using data generated through these analyses, we identify novel long non-coding RNA genes in C. neoformans . We conclude that RNase H depletion is an effective and reliable method for preparation of C. neoformans RNA-Seq libraries.

Abstract Epstein-Barr Virus (EBV) infection of B lymphocytes elicits diverse host responses via complex, well-adapted transcriptional control dynamics. Consequently, this host-pathogen interaction provides a powerful system to explore fundamental cellular processes that contribute to consensus fate decisions including cell cycle arrest, apoptosis, proliferation, and differentiation. Here we capture these responses and fates with matched single-cell transcriptomics and chromatin accessibility, from which we construct a genome-wide multistate model of early infection dynamics. Notably, our model captures a previously uncharacterized EBV + analog of a multipotent activated precursor state that can yield early memory B cells. We also find that a marked global reduction in host chromatin accessibility occurs during the first stages of infection in subpopulations of EBV + cells that display senescent and pre-apoptotic hallmarks induced by innate antiviral sensing and proliferation-linked DNA damage. However, cells in proliferative infection trajectories exhibit greater accessibility at select host sites linked to B cell activation and survival genes as well as key regions within the viral genome. To further investigate such loci, we implement a bioinformatic workflow (crisp-ATAC) to identify phenotype-resolved regulatory signatures. This customizable method applies user-specified logical criteria to produce genome-wide single-cell ATAC-and ChIP-seq range intersections that are used as inputs for cis -linkage prediction and ontology tools. The resulting tri-modal data yield exquisitely detailed hierarchical perspectives of the transforming regulatory landscape during critical stages of an oncogenic viral infection that simulates antigen-induced B cell activation and differentiation. We anticipate these resources will guide investigations of gene regulatory modules controlling EBV-host dynamics, B cell effector fates, and lymphomagenesis. To demonstrate the utility of this resource, this work concludes with the discovery of EBV infection dynamics in FCRL4 + / TBX21 + Tissue-Like Memory B cells, an unconventional subset with notable associations to numerous immune disorders.

Viral dynamics of acute HIV infection and HIV rebound following suspension of antiretroviral therapy may be qualitatively similar but must differ given, for one, development of adaptive immune responses. Understanding the differences of acute HIV infection and viral rebound dynamics in pediatric populations may provide insights into the mechanisms of viral control with potential implications for vaccine design and the development of effective targeted therapeutics for infants and children. Mathematical models have been a crucial tool to elucidate the complex processes driving viral infections within the host. Traditionally, acute HIV infection has been modeled with a standard model of viral dynamics initially developed to explore viral decay during treatment, while viral rebound has necessitated extensions of that standard model to incorporate explicit immune responses. Previous efforts to fit these models to viral load data have underscored differences between the two infection stages, such as increased viral clearance rate and increased death rate of infected cells during rebound. However, these findings have been predicated on viral load measurements from disparate adult individuals. In this study, we aim to bridge this gap, in infants, by comparing the dynamics of acute infection and viral rebound within the same individuals by leveraging an infant nonhuman primate Simian/Human Immunodeficiency Virus (SHIV) infection model. Ten infant Rhesus macaques (RMs) orally challenged with SHIV.C.CH505 375H dCT and given ART at 8 weeks post-infection. These infants were then monitored for up to 60 months post-infection with serial viral load and immune measurements. We use the HIV standard viral dynamics model fitted to viral load measurements in a nonlinear mixed effects framework. We find that the primary difference between acute infection and rebound is the increased death rate of infected cells during rebound. We use these findings to generate hypotheses on the effects of adaptive immune responses. We leverage these findings to formulate hypotheses to elucidate the observed results and provide arguments to support the notion that delayed viral rebound is characterized by a stronger CD8+ T cell response.