Abstract Image-based cell phenotyping relies on quantitative measurements as encoded representations of cells; however, defining suitable representations that capture complex imaging features is challenged by the lack of robust methods to segment cells, identify subcellular compartments, and extract relevant features. Variational autoencoder (VAE) approaches produce encouraging results by mapping an image to a representative descriptor, and outperform classical hand-crafted features for morphology, intensity, and texture at differentiating data. Although VAEs show promising results for capturing morphological and organizational features in tissue, single cell image analyses based on VAEs often fail to identify biologically informative features due to uninformative technical variation. Herein, we propose a multi-encoder VAE (ME-VAE) in single cell image analysis using transformed images as a self-supervised signal to extract transform-invariant biologically meaningful features, including emergent features not obvious from prior knowledge. We show that the proposed architecture improves analysis by making distinct cell populations more separable compared to traditional VAEs and intensity measurements by enhancing phenotypic differences between cells and by improving correlations to other analytic modalities.

SUMMARY The phenotype of a cell and its underlying molecular state is strongly influenced by extracellular signals, including growth factors, hormones, and extracellular matrix. While these signals are normally tightly controlled, their dysregulation leads to phenotypic and molecular states associated with diverse diseases. To develop a detailed understanding of the linkage between molecular and phenotypic changes, we generated a comprehensive dataset that catalogs the transcriptional, proteomic, epigenomic and phenotypic responses of MCF10A mammary epithelial cells after exposure to the ligands EGF, HGF, OSM, IFNG, TGFB and BMP2. Systematic assessment of the molecular and cellular phenotypes induced by these ligands comprise the LINCS Microenvironment (ME) perturbation dataset, which has been curated and made publicly available for community-wide analysis and development of novel computational methods ( synapse.org/LINCS_MCF10A ). In illustrative analyses, we demonstrate how this dataset can be used to discover functionally related molecular features linked to specific cellular phenotypes.

ABSTRACT Identifying effective therapeutic strategies that can prevent tumor cell proliferation is a major challenge to improving outcomes for patients with breast cancer. Here we sought to deepen our understanding of how clinically relevant anti-cancer agents modulate cell cycle progression. We genetically engineered breast cancer cell lines to express a cell cycle reporter and then tracked drug-induced changes in cell number and cell cycle phase, which revealed drug-specific cell cycle effects that varied across time. This suggested that a computational model that could account for cell cycle phase durations would provide a framework to explore drug-induced changes in cell cycle changes. Toward that goal, we developed a linear chain trick (LCT) computational model, in which the cell cycle was partitioned into subphases that faithfully captured drug-induced dynamic responses. The model inferred drug effects and localized them to specific cell cycle phases, which we confirmed experimentally. We then used our LCT model to predict the effect of unseen drug combinations that target cells in different cell cycle phases. Experimental testing confirmed several model predictions and identified combination treatment strategies that may improve therapeutic response in breast cancer patients. Overall, this integrated experimental and modeling approach opens new avenues for assessing drug responses, predicting effective drug combinations, and identifying optimal drug sequencing strategies.

Abstract Cell plasticity operates alongside other sources of cell-to-cell heterogeneity, such as genetic mutations and variation in signaling, together preventing most cancer therapies from being curative. The predominant methods of quantifying tumor-drug response operate on snapshot, population-level measurements and therefore lack evolutionary dynamics, which are particularly critical for dynamic processes such as plasticity. Here we apply a lineage tree-based adaptation of a hidden Markov model that employs single cell lineages as input to learn the characteristic patterns of single cell phenotypic heterogeneity and state transitions in an unsupervised fashion. To benchmark our model, we paired cell fate with either cell lifetimes or individual cell cycle phase lengths on synthetic data and demonstrated that the model successfully classifies cells within experimentally tractable dataset sizes. As an application, we analyzed experimental measurements of same measurements in cancer and non-cancer cell populations under various treatments. We find that in each case multiple phenotypically distinct states exist, with significant heterogeneity and unique drug responses. In total, this framework allows for the flexible classification of single cell heterogeneity across lineages.

Abstract Time-lapse imaging is a powerful approach to gain insight into the dynamic responses of cells, but the quantitative analysis of morphological changes over time remains challenging. Here, we exploit the concept of “trajectory embedding” to analyze cellular behavior using morphological feature trajectory histories—that is, multiple time points simultaneously, rather than the more common practice of examining morphological feature time courses in single timepoint (snapshot) morphological features. We apply this approach to analyze live-cell images of MCF10A mammary epithelial cells after treatment with a panel of microenvironmental perturbagens that strongly modulate cell motility, morphology, and cell cycle behavior. Our morphodynamical trajectory embedding analysis constructs a shared cell state landscape revealing ligand-specific regulation of cell state transitions and enables quantitative and descriptive models of single-cell trajectories. Additionally, we show that incorporation of trajectories into single-cell morphological analysis enables (i) systematic characterization of cell state trajectories, (ii) better separation of phenotypes, and (iii) more descriptive models of ligand-induced differences as compared to snapshot-based analysis. This morphodynamical trajectory embedding is broadly applicable to the quantitative analysis of cell responses via live-cell imaging across many biological and biomedical applications.

Abstract Cell phenotypes are dictated by both extra- and intra-cellular contexts, and robust identification of context-specific network features that control phenotypes remains challenging. Here, we developed a multi-omics data integration strategy called MOBILE (Multi-Omics Binary Integration via Lasso Ensembles) to nominate molecular features associated with specific cellular phenotypes. We applied this method to chromatin accessibility, mRNA, protein, and phospho-protein time course datasets and focus on two illustrative use cases after we show MOBILE could recover known biology. First, MOBILE nominated new mechanisms of interferon-γ (IFNγ) regulated PD-L1 expression, where analyses suggested, and literature supported that IFNγ-controlled PD-L1 expression involves BST2, CLIC2, FAM83D, ACSL5, and HIST2H2AA3 genes. Second, we explored differences between the highly similar transforming growth factor-beta 1 (TGFβ1) and bone morphogenetic protein 2 (BMP2) and showed that differential cell size and clustering properties induced by TGFβ1, but not BMP2, were related to the laminin/collagen pathway activity. Given the ever-growing availability of multi-omics datasets, we envision that MOBILE will be broadly applicable to identify context-specific molecular features associated with cellular phenotypes. Graphical Summary Multi-Omics Binary Integration via Lasso Ensembles (MOBILE) pipeline yields statistically robust, context-specific association networks The MOBILE pipeline integrates omics datasets in a data-driven, biologically-structured manner. The pipeline outputs are gene-level, contextspecific association networks. These association networks nominate differentially enriched pathways, subnetworks, and new connections. Broadly applicable to find condition specific networks using multi-omics datasets.

ABSTRACT Paclitaxel is a standard of care neoadjuvant therapy for patients with triple negative breast cancer (TNBC); however, it shows limited benefit for locally advanced or metastatic disease. Here we used a coordinated experimental-computational approach to explore the influence of paclitaxel on the cellular and molecular responses of TNBC cells. We found that escalating doses of paclitaxel resulted in multinucleation, promotion of senescence, and initiation of DNA damage induced apoptosis. Single-cell RNA sequencing (scRNA-seq) of TNBC cells after paclitaxel treatment revealed upregulation of innate immune programs canonically associated with interferon response and downregulation of cell cycle progression programs. Systematic exploration of transcriptional responses to paclitaxel and cancer-associated microenvironmental factors revealed common gene programs induced by paclitaxel, IFNB, and IFNG. Transcription factor (TF) enrichment analysis identified 13 TFs that were both enriched based on activity of downstream targets and also significantly upregulated after paclitaxel treatment. Functional assessment with siRNA knockdown confirmed that the TFs FOSL1, NFE2L2 and ELF3 mediate cellular proliferation and also regulate nuclear structure. We further explored the influence of these TFs on paclitaxel-induced cell cycle behavior via live cell imaging, which revealed altered progression rates through G1, S/G2 and M phases. We found that ELF3 knockdown synergized with paclitaxel treatment to lock cells in a G1 state and prevent cell cycle progression. Analysis of publicly available breast cancer patient data showed that high ELF3 expression was associated with poor prognosis and enrichment programs associated with cell cycle progression. Together these analyses disentangle the diverse aspects of paclitaxel response and identify ELF3 upregulation as a putative biomarker of paclitaxel resistance in TNBC.

Cells sense and respond to their environment by activating distinct intracellular signaling pathways, however signal transmission in individual cells is not well understood. To assess the accuracy of signal transmission in individual cells, we developed an optimized genetically encoded sensor for IGF-I signaling. We stably expressed this sensor in HeLa cells and used live-cell imaging to monitor dynamic responses to IGF-I in individual cells. Across the population, signaling responses overlapped between different IGF-I doses, suggesting limited transmission accuracy. However, analysis of individual cell traces revealed relatively constant responses over time. An information theoretic approach to calculate the channel capacity using variance of the single cell time course data--rather than population data--predicted that cells were capable of discriminating multiple growth factor doses. We validated these predictions by tracking individual cell responses to multiple IGF-I doses and found that cells can accurately distinguish at least four different IGF-I concentrations, and also that the input-output relation varies across the population of individual cells. Furthermore, by monitoring responses to the PI3K inhibitor alpelisib we found a similar discriminatory ability to pathway inhibition. Our studies indicate that heterogeneous responses to IGF-I arise from cells encoding the growth factor input into different signaling outputs and that individual cells can accurately sense and respond to a range of stimuli of varying strengths. These observations reveal the importance of viewing each cell as having its own communication channel and underscore the importance of understanding responses at the single cell level.

Extracellular signals induce changes to molecular programs that modulate multiple cellular phenotypes, including proliferation, motility, and differentiation status. The connection between dynamically adapting phenotypic states and the molecular programs that define them is not well understood. Here we develop data-driven models of single-cell phenotypic responses to extracellular stimuli by linking gene transcription levels to "morphodynamics" - changes in cell morphology and motility observable in time-lapse image data. We adopt a dynamics-first view of cell state by grouping single-cell trajectories into states with shared morphodynamic responses. The single-cell trajectories enable development of a first-of-its-kind computational approach to map live-cell dynamics to snapshot gene transcript levels, which we term MMIST, Molecular and Morphodynamics-Integrated Single-cell Trajectories. The key conceptual advance of MMIST is that cell behavior can be quantified based on dynamically defined states and that extracellular signals alter the overall distribution of cell states by altering rates of switching between states. We find a cell state landscape that is bound by epithelial and mesenchymal endpoints, with distinct sequences of epithelial to mesenchymal transition (EMT) and mesenchymal to epithelial transition (MET) intermediates. The analysis yields predictions for gene expression changes consistent with curated EMT gene sets and provides a prediction of thousands of RNA transcripts through extracellular signal-induced EMT and MET with near-continuous time resolution. The MMIST framework leverages true single-cell dynamical behavior to generate molecular-level omics inferences and is broadly applicable to other biological domains, time-lapse imaging approaches and molecular snapshot data.

ABSTRACT Mechanistic models of how single cells respond to different perturbagens can help integrate disparate big data sets or predict response to varied drug combinations. However, the construction and simulation of such models have proved challenging. Our lab previously constructed one of the largest mechanistic models for single mammalian cell regulation of proliferation and death (774 species, 141 genes, 8 ligands, 2400 reactions). However, this, as many other large-scale models, was written using licensed software (MATLAB) with intricate programming structure, impeding alteration, expansion, and sharing. Here, we generated a new foundation for this model, which includes a python-based creation and simulation pipeline converting a few structured text files into an SBML-compatible format. This new open-source model (named SPARCED) is high-performance- and cloud-computing compatible and enables the study of virtual cell population responses at the single-cell level. We applied this new model to a subset of the LINCS MCF10A Data Cube, which observed that IFNγ acts as an anti-proliferative factor, but the reasons why were unknown. After expanding the SPARCED model with an IFNγ signaling module (to 950 species, 150 genes, 9 ligands, 2500 reactions), we ran stochastic single-cell simulations for two different putative crosstalk mechanisms and looked at the number of cycling cells in each case. Our model-based analysis suggested, and experiments support that these observations are better explained by IFNγ-induced SOCS1 expression sequestering activated EGF receptors, thereby downregulating AKT activity, as opposed to direct IFNγ-induced upregulation of p21 expression. This work forms a foundation for increased mechanistic model-based data integration on a single-cell level, an important building block for clinically predictive mechanistic models.