Abstract The ecological and evolutionary perspectives of tumorigenesis can be characterized as a process of microevolution in tumor cells that altered the tumor microenvironment and further induced tumor cell proliferation, metastasis, and the death of tumor patients. Here, we introduced XgeneVAE, an interpretable unsupervised deep learning framework that quantified the semantic changes in multi-omics embedding space for characterizing the microevolution processes and fitness effects of heterogeneous tumor samples. We then validated that the scales of the latent embedding variances can reflect the differences in the overall survival of tumor patients, as well as their applications in uncovering the driving genomic alternations in different cancer types. These results confirmed that the XgeneVAE model can better represent the heterogeneity in distinct cancer types and as an interpretable model for understanding the fitness effects in tumorigenesis and their association with clinical outcomes.

Abstract T cell genome editing holds great promise to advance a range of immunotherapies but is encumbered by the dependence on difficult-to-produce and expensive viral vectors. Here we have designed small double-stranded plasmid DNA modified to mediate high-efficiency homologous recombination. The resulting chimeric antigen receptor (CAR)-T cells display a similar phenotype, transcriptional profile and in vivo potency as CAR-T cells generated using adeno-associated viral (AAV) vector. This method should simplify and accelerate the use of precision engineering to produce edited T cells for research and clinical purposes.