Abstract Single-cell RNA-sequencing (scRNA-seq) enables systematic mapping of cellular differentiation trajectories. However, inferring the cell-fate transitions under diseases or perturbations is still challenging due to the high cellular plasticity. Here, we demonstrate that monotonically expressed genes (MEGs) along cell divisions record the directions of state transitions regardless of the cellular processes. We developed a computational framework (PhyloVelo) to identify MEGs and reconstruct a novel transcriptomic velocity field by leveraging both scRNA-seq and phylogenetic information. PhyloVelo accurately recovered linear, bifurcated and convergent differentiations in simulations and C. elegans. It outperformed current approaches for delineating cellular trajectories in embryo development and tumor evolution through analysis of five CRISPR/Cas9-based lineage tracing datasets. Together, our study unveils an internal cellular clock and provides a powerful method for cellfate analysis in diverse biological contexts.

Abstract Cancer is an evolutionary process shaped by selective pressure from the microenvironments. However, recent studies reveal that certain tumors undergo neutral evolution where there is no detectable fitness difference amongst the cells following malignant transformation. Here, through computational modeling, we demonstrate that negative frequency-dependent selection (or NFDS), where the immune response against cancer cells depends on the clonality of neoantigens, can lead to an immunogenic landscape that is highly similar to neutral evolution. Crucially, NFDS promotes high antigenic heterogeneity and early immune evasion in hypermutable tumors, leading to poor responses to immune checkpoint blockade (ICB) therapy. Our model also reveals that NFDS is characterized by a negative association between average clonality and total burden of neoantigens. Indeed, this unique feature of NFDS is common in the whole-exome sequencing (WES) datasets (357 tumor samples from 275 patients) from four melanoma cohorts with ICB therapy and a non-small cell lung cancer (NSCLC) WES dataset (327 tumor samples from 100 patients). Altogether, our study provides quantitative evidence supporting the theory of NFDS in cancer, explaining the high prevalence of neutral-looking tumors. These findings also highlight the critical role of frequency-dependent selection in devising more efficient and predictive immunotherapies.

Pangenomes are replacing single reference genomes to capture all variants within a species or clade, but their analysis predominantly leverages graph-based methods that require multiple high-quality genomes and computationally intensive multiple-genome alignments. K-mer decomposition is an alternative to graph-based pangenomes. However, how to directly use k-mers for the population genetic analyses is unknown. Here, we developed a novel strategy that uses the variants of k-mer count in the genome for population analyses. To test the effectivity of this method, we compared it directly to the SNP-based method on the analysis of population structure and genetic diversity of 267 Saccharomyces cerevisiae strains within two simulated datasets and a real sequence dataset. The population structure identified with k-mers recapitulates that obtained using SNPs, indicating the effectiveness of k-mer-based approach, and higher genetic diversity within real dataset supported k-mers contained more genetic variants. Based on k-mer frequency, we found not only SNP but also some insertion/deletion and horizontal gene transfer (HGT) fragments related to the adaptive evolution of S. cerevisiae. Our study creates a framework for the alignment- and reference-free (ARF) method in population genetic analyses, which will be more pronounced in the species with no complete genome or highly diverged species.

Abstract Cancer is an evolutionary process undergoing stringent immune selection. However, recent studies have revealed that certain tumors undergo neutral evolution following the malignant transformation. Here, we propose negative frequency-dependent selection (or NFDS), where the immune response against cancer cells depends on the clonality of neoantigens, can lead to an immunogenic landscape that is similar to neutral evolution. With a stochastic model of NFDS, we demonstrated that NFDS promotes early immune evasion in hypermutable tumors, leading to neutral-like evolutionary dynamics with high antigenic heterogeneity and worse response to immune checkpoint blockade (ICB) therapy. Our model also revealed that NFDS is characterized by a negative association between average clonality and total burden of neoantigens. Indeed, NFDS was validated with whole-exome sequencing datasets (357 tumor samples from 275 patients) from four melanoma cohorts with ICB therapy. Altogether, our study provides the first quantitative evidence supporting the theory of NFDS in immune-driven cancer evolution. These findings highlight the critical role of NFDS theory in devising more efficient and predictive immunotherapies.

Many fast renewing tissues are characterized by a hierarchical cellular architecture, with tissue specific stem cells at the root of the cellular hierarchy and differentiating into a whole range of specialized cells. There is increasing evidence that tumors are structured in a very similar way, mirroring the hierarchical structure of the host tissue. In some tissues, differentiated cells can also revert to the stem cell phenotype, which increases the risk that cells that have already acquired mutations lead to long lasting clones in the tissue. Recently, the modelling community has paid special attention to the consequences of de-differentiation on cellular hierarchies. However, the adaptive significance of de-differentiation is still poorly understood and thus it is unclear under which circumstances de-differentiating cells will invade a tissue. To address this, we developed mathematical models to investigate how de-differentiation could be selected as an adaptive mechanism in the context of cellular hierarchies. We consider the cases of stepwise and jumpwise de-differentiation in this study. Our results show that the emergence of de-differentiation is driven by the combination of the properties of the cellular hierarchy and the dedifferentiation pattern and derive thresholds for which de-differentiation is expected to emerge.

Abstract Hypermutable cancers create opportunities for the development of various immunotherapies, such as immune checkpoint blockade (ICB) therapy. However, emergent studies have revealed that many hypermutated tumors have poor prognosis due to heterogeneous tumor antigen landscapes, yet the underlying mechanisms remain poorly understood. To address this issue, we developed mathematical models to explore the impact of combining chemotherapy and ICB therapy on heterogeneous tumors. Our results uncover how chemotherapy reduces antigenic heterogeneity, creating improved immunological conditions within tumors, which, in turn, enhances the therapeutic effect when combined with ICB. Furthermore, our results show that the recovery of the immune system after chemotherapy is crucial for enhancing the response to chemo-ICB combination therapy. Author summary The challenge posed by intratumoral heterogeneity is gaining recognition in the field of cancer treatment. Despite the success of immune checkpoint blockade (ICB) therapies in enhancing overall survival across various cancer types, the complexity of therapeutic responses persists due to the heterogeneity of tumor antigens. In this study, we developed mathematical models to explore the evolutionary dynamics of tumors with both homogeneous and heterogeneous antigen landscapes. Our analysis reveals that tumors with heterogeneity exhibit resistance to ICB therapy, unlike their homogeneous counterparts which respond positively. Additionally, our models demonstrate that early treatment of heterogeneous tumors with chemotherapy leads to significant remission but also rapid recurrence. Notably, we identified a fascinating trade-off associated with chemotherapy—while suppressing the immune system, it creates a tumor immunological environment that becomes more conducive to ICB therapy. Finally, our modeling highlights the augmented response observed in tumors subjected to a chemo-ICB combination and shows the crucial role of immune recovery in the context of combination therapy.

Abstract Phylodynamics inference (PI) is a powerful approach for quantifying population dynamics and evolutionary trajectories of natural species based on phylogenetic trees. The emergence of single-cell lineage tracing technologies now enables the reconstruction of phylogenetic trees for thousands of individual cells within a multicellular organism, opening avenues for employing PI methodologies at the cellular level. However, the intricate process of cell differentiation poses challenges for directly applying current PI frameworks in somatic tissues. Here, we introduce a novel computational approach called single-cell phylodynamic explorer (scPhyloX), designed to model structured cell populations in various cell states, by leveraging single-cell phylogenetic trees to infer dynamics of tissue development and tumor evolution. Our comprehensive simulations demonstrate the high accuracy of scPhyloX across various biological scenarios. Application of scPhyloX to three real datasets of single-cell lineage tracing unveils novel insights into somatic dynamics, such as the overshoot of cycling stem cell populations in fly organ development, clonal expansion of multipotent progenitors of hematopoiesis during human aging, and pronounced subclonal selection in early colorectal tumorigenesis. Thus, scPhyloX is an innovative computational method for investigating the development and evolution of somatic tissues.

Background The stage of cerebral venous thrombosis (CVT) is crucial to guide treatment decisions. This study aims to examine changes in fibrinolytic indicators throughout CVT onset and validate a predictive model using admission fibrinolytic indicators to estimate the CVT stage. Methods Retrospective analysis was conducted on data from 292 CVT patients. We utilized linear regression, time series, and univariate ANOVA analyses to explore characteristics of change in fibrinolytic indicators with CVT duration and identified time point at which fibrinolysis indexes showed significant changes as the time point for acute and chronic stages of CVT. A nomogram was employed to construct a prediction model using a training set, which was then evaluated for discrimination, calibration, and clinical utility. Results Prolonged onset duration independently correlated with decreased fibrinogen and D-dimer after adjusting for all variables, with adjusted correlation coefficients of −0.003 (−0.005, −0.001) and −0.004 (−0.007, −0.001), respectively. Significant changes in fibrinolytic indicators were observed around 14 days after CVT onset. The training set demonstrated an area under the curve (AUC) of 0.851 (95% CI: 0.7989-0.904) for the prediction model. Internal validation showed that the nomogram accurately predicted acute CVT with an AUC of 0.828 (95% CI: 0.738-0.918). Conclusion According to the trend of fibrinolysis index, 14 days of onset can be used as the dividing point of acute and chronic stages of CVT. For patients with unclear onset, the present model, based on admission fibrinogen and D-dimer values, can accurately predict the stage of CVT. The high discriminative ability indicates the potential of this model for classifying the acute patient.

Background: Modern cancer treatment strategies aim to target tumour specific genetic (or epigenetic) alterations. Treatment response improves if these alterations are clonal, i.e. present in all cancer cells within tumours. However, the identification of truly clonal alterations is impaired by the tremendous intra-tumour genetic heterogeneity and unavoidable sampling biases. Methods: Here, we investigate the underlying causes of these spatial sampling biases and how the distribution and sizes of biopsies in sampling protocols can be optimized to minimize such biases. Results: We find that in the ideal case, less than a handful of samples can be enough to infer truly clonal mutations. The frequency of the largest sub-clone at diagnosis is the main factor determining the accuracy of truncal mutation estimation in structured tumours. If the first sub-clone is dominating the tumour, higher spatial dispersion of samples and larger sample size can increase the accuracy of the estimation. In such an improved sampling scheme, fewer samples will enable the detection of truly clonal alterations with the same probability. Conclusions: Taking spatial tumour structure into account will decrease the probability to misclassify a sub-clonal mutation as clonal and promises better informed treatment decisions.

The outcome of a major evolutionary transition is the aggregation of independent entities into a new synergetic level of organisation. Classical models involve either pairwise interactions between individuals or a linear superposition of these interactions. However, major evolutionary transitions display synergetic effects: their outcome is not just the sum of its parts. Multiplayer games can display such synergies, as their payoff can be different from the sum of any collection of two-player interactions. Assuming that all interactions start from pairs, how can synergetic multiplayer games emerge from simpler pairwise interaction? Here, we present a mathematical model that captures the transition from pairwise interactions to synergetic multiplayer ones. We assume that different social groups have different breaking rates. We show that non-uniform breaking rates do foster the emergence of synergy, even though individuals always interact in pairs. Our work sheds new light on the mechanisms underlying a major evolutionary transition.