The role of epithelial-to-mesenchymal transition (EMT) in metastasis is a longstanding source of debate, largely owing to an inability to monitor transient and reversible EMT phenotypes in vivo. Here we establish an EMT lineage-tracing system to monitor this process in mice, using a mesenchymal-specific Cre-mediated fluorescent marker switch system in spontaneous breast-to-lung metastasis models. We show that within a predominantly epithelial primary tumour, a small proportion of tumour cells undergo EMT. Notably, lung metastases mainly consist of non-EMT tumour cells that maintain their epithelial phenotype. Inhibiting EMT by overexpressing the microRNA miR-200 does not affect lung metastasis development. However, EMT cells significantly contribute to recurrent lung metastasis formation after chemotherapy. These cells survived cyclophosphamide treatment owing to reduced proliferation, apoptotic tolerance and increased expression of chemoresistance-related genes. Overexpression of miR-200 abrogated this resistance. This study suggests the potential of an EMT-targeting strategy, in conjunction with conventional chemotherapies, for breast cancer treatment.

Epithelial-to-mesenchymal transition (EMT) contributes significantly to chemotherapy resistance and remains a critical challenge in treating advanced breast cancer. The complexity of EMT, involving redundant pro-EMT signaling pathways and its paradox reversal process, mesenchymal-to-epithelial transition (MET), has hindered the development of effective treatments. In this study, we utilized a Tri-PyMT EMT lineage-tracing model and single-cell RNA sequencing (scRNA-seq) to comprehensively analyze the EMT status of tumor cells. Our findings revealed elevated ribosome biogenesis (RiBi) during the transitioning phases of both EMT and MET processes. RiBi and its subsequent nascent protein synthesis mediated by ERK and mTOR signalings are essential for EMT/MET completion. Importantly, inhibiting excessive RiBi genetically or pharmacologically impaired the EMT/MET capability of tumor cells. Combining RiBi inhibition with chemotherapy drugs synergistically reduced metastatic outgrowth of epithelial and mesenchymal tumor cells under chemotherapies. Our study suggests that targeting the RiBi pathway presents a promising strategy for treating patients with advanced breast cancer.This study uncovers the crucial involvement of ribosome biogenesis (RiBi) in the regulation of epithelial and mesenchymal state oscillations in breast cancer cells, which plays a major role in the development of chemoresistant metastasis. By proposing a novel therapeutic strategy targeting the RiBi pathway, the study offers significant potential to enhance treatment efficacy and outcomes for patients with advanced breast cancer. This approach could help overcome the limitations of current chemotherapy options and address the complex challenges posed by EMT-mediated chemoresistance.

ABSTRACT Advanced high-grade serous ovarian cancer (HGSC) is an aggressive disease that accounts for 70% of all ovarian cancer deaths. Nevertheless, 15% of patients diagnosed with advanced HGSC survive more than 10 years. The identification of predictive markers associated with tumors developed from these long-term survivors (LTS) is crucial to identifying therapeutic targets for the disease, and thus improving patient survival rates. Reports to date have not fully established the stromal heterogeneity of the tumor microenvironment (TME) in ovarian cancer and its association with clinical outcomes. We used a spatial transcriptomics platform to generate spatially resolved transcript profiles in treatment naïve advanced HGSC from LTS and short-term survivors (STS), and determined whether cancer-associated fibroblasts (CAFs) heterogeneity is associated with survival in patients with advanced HGSC. We integrated spatial transcriptomics with single-cell RNA sequencing data to distinguish tumor and stroma regions, and developed a method to investigate spatially resolved ligand-receptor interactions between various tumor and CAF subtypes in the TME. In addition, we used multiplex immunohistochemistry techniques to validate our findings. We found that a specific subtype of CAFs and its spatial location relative to a particular ovarian cancer cell subtype in the TME correlate with long-term survival in advanced HGSC patients. We also demonstrated that significant APOE-LRP5 crosstalk occurred at the stroma-tumor interface in tumor tissues from STS compared to LTS, suggesting that such crosstalk plays a crucial role in modulating the malignant phenotype of HGSC, and could serve as a predictive biomarker of patient survival.

Single cell lineage tracing, essential for unraveling cellular dynamics in disease evolution is critical for developing targeted therapies. CRISPR-Cas9, known for inducing permanent and cumulative mutations, is a cornerstone in lineage tracing. The novel homing guide RNA (hgRNA) technology enhances this by enabling dynamic retargeting and facilitating ongoing genetic modifications. Charting these mutations, especially through successive hgRNA edits, poses a significant challenge. Our solution, LINEMAP, is a computational framework designed to trace and map these mutations with precision. LINEMAP meticulously discerns mutation alleles at single-cell resolution and maps their complex interrelationships through a mutation evolution network. By utilizing a Markov Process model, we can predict mutation transition probabilities, revealing potential mutational routes and pathways. Our reconstruction algorithm, anchored in the Markov model's attributes, reconstructs cellular lineage pathways, shedding light on the cell's evolutionary journey to the minutiae of single-cell division. Our findings reveal an intricate network of mutation evolution paired with a predictive Markov model, advancing our capability to reconstruct single-cell lineage via hgRNA. This has substantial implications for advancing our understanding of biological mechanisms and propelling medical research forward.

Spatially resolved transcriptomics has revolutionized genome-scale transcriptomic profiling by providing high-resolution characterization of transcriptional patterns. We here present our spatial transcriptomics analysis framework, MUSTANG (MUlti-sample Spatial Transcriptomics data ANalysis with cross-sample transcriptional similarity Guidance), which is capable of performing multi-sample spatial transcriptomics spot cellular deconvolution by allowing both cross-sample expression based similarity information sharing as well as spatial correlation in gene expression patterns within samples. Experiments on two real-world spatial transcriptomics datasets demonstrate the effectiveness of MUSTANG in revealing biological insights inherent in cellular characterization of tissue samples under the study. MUSTANG is publicly available at at https://github.com/namini94/MUSTANG

Cancers are complex diseases that are regulated by multiple signaling pathways. Patients often acquire resistance to single drug treatment. Use of drug combinations that target multiple parallel pathways is a promising strategy to reduce the drug resistance. Pharmacogenomics big data are being generated to uncover complex signaling mechanisms of cancers and correlate cancer-specific signaling with diverse drug responses. Thus, converting pharmacogenomics big data into knowledge can help the discovery of synergistic drug combination. However, it is challenging and remains an open problem due to the enormous number of combination possibilities and noise of genomics data.