Cortical organoids are self-organizing three-dimensional cultures that model features of the developing human cerebral cortex1,2. However, the fidelity of organoid models remains unclear3–5. Here we analyse the transcriptomes of individual primary human cortical cells from different developmental periods and cortical areas. We find that cortical development is characterized by progenitor maturation trajectories, the emergence of diverse cell subtypes and areal specification of newborn neurons. By contrast, organoids contain broad cell classes, but do not recapitulate distinct cellular subtype identities and appropriate progenitor maturation. Although the molecular signatures of cortical areas emerge in organoid neurons, they are not spatially segregated. Organoids also ectopically activate cellular stress pathways, which impairs cell-type specification. However, organoid stress and subtype defects are alleviated by transplantation into the mouse cortex. Together, these datasets and analytical tools provide a framework for evaluating and improving the accuracy of cortical organoids as models of human brain development. Single-cell RNA sequencing clarifies the development and specification of neurons in the human cortex and shows that cell stress impairs this process in cortical organoids.

Abstract Microglia are the resident macrophages of the brain that emerge in early development and play vital role disease states, as well as in normal development. Many fundamental questions about microglia diversity and function during human brain development remain unanswered, as we currently lack cellular-resolution datasets focusing on microglia in developing primary tissue, or experimental strategies for interrogating their function. Here, we report an integrative analysis of microglia throughout human brain development, which reveals molecular signatures of stepwise maturation, as well as human-specific cytokine-associated subtype that emerges around the onset of neurogenesis. To demonstrate the utility of this atlas, we have compared microglia across several culture models, including cultured primary microglia, pluripotent stem cell-derived microglia. We identify gene expression signatures differentially recruited and attenuated across experimental models, which will accelerate functional characterization of microglia across perturbations, species, and disease conditions. Finally, we identify a role for human microglia in development of synchronized network activity using a xenotransplantation model of human microglia into cerebral organoids.

To determine the role for mutations of MECP2 in Rett Syndrome, we generated isogenic lines of human iPSCs (hiPSCs), neural progenitor cells (NPCs), and neurons from patient fibroblasts with and without MECP2 expression in an attempt to recapitulate disease phenotypes in vitro. Molecular profiling uncovered neuronal specific gene expression changes including induction of a Senescence Associated Secretory Phenotype (SASP) program. Patient derived Neurons made without MECP2 show signs of stress, including induction of p53, and senescence. The induction of p53 appeared to affect dendritic branching in Rett neurons, as p53 inhibition restored dendritic complexity. These disease-in-a-dish data suggest that loss of MECP2 can lead to dendritic defects due to an increase in aspects of neuronal aging.

ABSTRACT Technologies such as Cellular Indexing of Transcriptomes and Epitopes sequencing (CITE-seq) and RNA Expression and Protein sequencing (REAP-seq) augment unimodal single-cell RNA sequencing (scRNA-seq) by simultaneously measuring expression of cell-surface proteins using antibody derived oligonucleotide tags (ADT). These protocols have been increasingly used to resolve cellular populations that are difficult to infer from gene expression alone, and to interrogate the relationship between gene and protein expression at a single-cell level. However, the ADT-based protein expression component of these assays remains widely underutilized as a primary tool to discover and annotate cell populations, in contrast to flow cytometry which has used surface protein expression in this fashion for decades. Therefore, we hypothesized that computational tools used for flow cytometry data analysis could be harnessed and scaled to analyze ADT data. Here we apply Ozette Discovery™, a recently-developed method for flow cytometry analysis, to re-analyze a large (>400,000 cells) published COVID-19 CITE-seq dataset. Using the protein expression data alone, Ozette Discovery is able to identify granular, robust, and interpretable cellular phenotypes in a high-throughput manner. In particular, we identify a population of CLEC12A+CD11b+CD14- myeloid cells that are specifically expanded in patients with critical COVID-19, and can only be resolved by their protein expression profiles. Using the longitudinal gene expression data from this dataset, we find that early expression of interferon response genes precedes the expansion of this subset, and that early expression of PRF1 and GZMB within specific Ozette Discovery phenotypes provides a RNA biomarker of critical COVID-19. In summary, Ozette Discovery demonstrates that taking a protein-centric approach to cell phenotype annotation in CITE-seq data can achieve the potential that dual RNA/protein assays provide in mixed samples: instantaneous in silico flow sorting, and unbiased RNA-seq profiling. HIGHLIGHTS Ozette Discovery provides an alternative method for data-driven annotation of granular and homogeneous cell phenotypes in CITE-seq data using protein expression data alone. Our approach inherently accommodates for batch effects, and our novel background-normalization method improves the signal:noise ratio of these notoriously noisy protein measurements. While these subpopulations are not derived from RNA profiles, they have distinct and interpretable RNA signatures. We find a population of CLEC12A+CD11b+CD14- myeloid cells associated with critical COVID-19 severity that can only be identified by their protein profiles, and identify early expression of interferon response genes in a CD4 T cell subset as a predictor of CLEC12A+CD11b+CD14- cell expansion. Peforming differential expression analysis within our identified phenotypes reveals predictors of COVID-19 severity that are not found with coarser annotations.