SUMMARY Somatic copy number alterations (CNAs) promote cancer, but the underlying driver genes are often not obvious when only the functions of the encoded proteins are considered. mRNAs can act as competitive endogenous miRNA sponges (ceRNAs) to post-transcriptionally regulate gene expression in a protein coding-independent manner. However, whether ceRNAs contribute to the oncogenic effects of CNAs is unknown. We report that chromosome 1q gains promote melanoma progression and metastasis at least in part through overexpression of three mRNAs with ceRNA activity: CEP170, NUCKS1 , and ZC3H11A . Genetic studies reveal that these ceRNAs enhance melanoma metastasis by sequestering tumor suppressor miRNAs, thereby alleviating the repression of several pro-metastatic target genes. This regulatory RNA network is evident in other cancer types, suggesting that chromosome 1q ceRNA deregulation is a common driver of cancer progression. Taken together, our work demonstrates that ceRNAs mediate the oncogenicity of somatic CNAs.

Abstract The phenotypic efficacy of somatic copy number alterations (SCNAs) stems from their incidence per base pair of the genome, which is orders of magnitudes greater than that of point mutations. One mitotic event stands out in its potential to significantly change a cell’s SCNA burden–a chromosome missegregation. We present a general deterministic framework for modeling chromosome missegregations and use it to evaluate the possibility of missegregation-induced population extinction (MIE). The model predicts critical curves that separate viable from non-viable populations as a function of their turnover- and missegregation rates. Missegregation- and turnover rates estimated from a PAN-cancer scRNA-seq dataset of 15,464 cells are then compared to predictions. The majority of tumors across all cancer types had missegregation- and turnover rates that were within viable regions of the parameter space. When a dependency of missegregation rate on karyotype was introduced, karyotypes associated with low missegregation rates acted as a stabilizing refuge, rendering MIE impossible unless turnover rates are exceedingly high. Intra-tumor heterogeneity, including heterogeneity in missegregation rates, increases as tumors progress, rendering MIE unlikely. Author Summary When a cell missegregates a chromosome while dividing, the chance is high that its two daughter cells will behave drastically different from each other and from their parental cell. Chromosome missegregations are therefore one of the most powerful forces of phenotypic diversity. We developed a mathematical model of chromosome missegregations that allows for this cell-to-cell diversity to be accounted for. The model serves to help understand how selection acts upon cells with versatile chromosome contents, as a tool for genotype-to-phenotype mapping in various microenvironments. As a first application example we used the model to address whether there exists an upper limit on missegregation rate, beyond which cancer populations collapse. Chromosome missegregations are common. They occur in 1.2-2.3% per mitosis in normal cells [1] and in cancer cells their rate is between one and two orders of magnitudes higher [2]. The model revealed that the upper limit of missegregation rate is a function of the tumor’s turnover rate (i.e. how fast the tumor renews itself). In heterogenous populations however, cells with low missegregation rates protect the population from collapse. Intra-tumor heterogeneity, including heterogeneity in missegregation rates, increases as tumors progress, rendering missegregation-induced extinction unlikely.

Abstract Single-cell RNA sequencing has revolutionized the study of immuno-oncology, cancer biology, and developmental biology by enabling the joint characterization of gene expression and cellular heterogeneity in a single platform. As of July 2023, the Gene Expression Omnibus now contains over 4000 published single-cell data sets, providing an invaluable opportunity for reanalysis to identify new cell types or cellular states as well as their defining transcriptional programs. To facilitate the reprocessing of these public datasets, we have devised a single-cell RNA sequencing analysis framework for data retrieval, quality control, expression normalization, dimension reduction, cell clustering, and data integration. Additionally, we have developed a Shiny App visualization platform that enables the exploration of gene expression, cell type annotations, and cell lineages through a user interface. We performed a re-analysis of single-cell RNAseq data generated from acute myeloid leukemia and tumor-reactive lymphocytes and found our pipeline to faithfully recapitulated the cell type assignment as well as expected lineage trajectories. Altogether, we present BERLIN, a single-cell RNAseq analysis pipeline that facilitates the integration and public dissemination of results from the reanalysis.

Background: The rapid development of single-cell RNA sequencing (scRNA-seq) provides unprecedented opportunities to study the tumor ecosystem that involves a heterogeneous mixture of cell types. However, the majority of previous and current studies related to translational and molecular oncology have only focused on the bulk tumor and there is a wealth of gene expression data accumulated with matched clinical outcomes. Results: In this paper, we introduce a scheme for characterizing cell compositions from bulk tumor gene expression by integrating signatures learned from scRNA-seq data. We derived the reference expression matrix to each cell type based on cell subpopulations identified in head and neck cancer dataset. Our results suggest that scRNA-Req-derived reference matrix outperforms the existing gene panel and reference matrix with respect to distinguishing immune cell subtypes. Conclusions: Findings and resources created from this study enable future and secondary analysis of tumor RNA mixtures in head and neck cancer for a more accurate cellular deconvolution, and can facilitate the profiling of the immune infiltration in other solid tumors due to the expression homogeneity observed in immune cells.

Spatial transcriptomics (ST) is a powerful tool for understanding tissue biology and disease mechanisms. However, its potential is often underutilized due to the advanced data analysis and programming skills required. To address this, we present spatialGE, a web application that simplifies the analysis of ST data. The application spatialGE provides a user-friendly interface that guides users without programming expertise through various analysis pipelines, including quality control, normalization, domain detection, phenotyping, and multiple spatial analyses. It also enables comparative analysis among samples and supports various ST technologies. We demonstrate the utility of spatialGE through its application in studying the tumor microenvironment of melanoma brain metastasis and Merkel cell carcinoma. Our results highlight the ability of spatialGE to identify spatial gene expression patterns and enrichments, providing valuable insights into the tumor microenvironment and its utility in democratizing ST data analysis for the wider scientific community.

ABSTRACT Spatial transcriptomics (ST) technologies, like GeoMx Digital Spatial Profiler, are increasingly utilized to reveal the role of diverse tumor microenvironment components, particularly in relation to cancer progression, treatment response, and therapeutic resistance. However, in many ST studies, the spatial information obtained from immunofluorescence imaging is primarily used for identifying regions of interest, rather than as an integral part of downstream transcriptomic data interpretation. We developed ROICellTrack, a deep learning-based framework, to better integrate cellular imaging with spatial transcriptomic profiling. By examining 56 ROIs from urothelial carcinoma of the bladder (UCB) and upper tract urothelial carcinoma (UTUC), ROICellTrack accurately identified cancer-immune mixtures and associated cellular morphological features. This approach also revealed different sets of spatial clustering patterns and receptor-ligand interactions. Our findings underscore the importance of combining imaging and transcriptomics for comprehensive spatial omics analysis, offering potential new insights into within-sample heterogeneity and implications for targeted therapies and personalized medicine.

Transcription factor deregulation potently drives melanoma progression by dynamically and reversibly controlling gene expression programs. We previously identified the small MAF family transcription factor MAFG as a putative driver of melanoma progression, prompting an in-depth evaluation of its role in melanoma. MAFG expression increases with human melanoma stages and ectopic MAFG expression enhances the malignant behavior of human melanoma cells in vitro, xenograft models, and genetic mouse models of spontaneous melanoma. Moreover, MAFG induces a melanoma phenotype switch from a melanocytic state to a more dedifferentiated state. Mechanistically, MAFG interacts with the lineage transcription factor MITF which is required for the pro-tumorigenic effects of MAFG. MAFG and MITF co-occupy numerous genomic sites and MAFG overexpression influences the expression of genes harboring binding sites for the MAFG∼MITF complex. These results establish MAFG as a potent driver of melanomagenesis through dimerization with MITF and uncover an unappreciated mechanism of MITF regulation.

ABSTRACT RNA splicing is an important biological process associated with cancer initiation and progression, yet in pancreatic cancer the role and regulation of splicing is not well understood. From a forward genetic screen in a mouse model of pancreatic cancer, we identified an enrichment of RNA binding proteins (RBPs) associated with the spliceosome. Here, we link deregulation of RBFOX2, an RBP of the FOX family, to pancreatic cancer progression and liver metastasis. We show that RBFOX2 regulation in pancreatic cancer occurs at both the RNA and protein level, and that nuclear localization of RBFOX2 is significantly reduced in poorly differentiated PDAC. Deregulation of RBFOX2 in PDAC is associated with an enrichment of exon exclusion events in transcripts encoding proteins involved in cytoskeletal remodeling and invadopodia programs that potentiate metastatic potential in vivo . Using splice-switching antisense oligonucleotides (AONs) and inducible cDNA isoforms, we demonstrate that RBFOX2 mediated exon exclusion in ABI1 controls the abundance and localization of ABI1 protein isoforms in pancreatic cancer cells, and that ABI1 splice-switching enhances cellular phenotypes associated with cancer cell stemness. Together, our data identify a novel role for RBFOX2 deregulation in promoting PDAC progression through alternative splicing regulation.

Liquid biopsy analysis of cell-free DNA (cfDNA) has revolutionized cancer research by enabling non-invasive assessment of tumor-derived genetic and epigenetic changes. In this study, we conducted a comprehensive paired-sample differential methylation analysis (psDMR) on reprocessed methylation data from two large datasets, CPTAC and TCGA, to identify and validate differentially methylated regions (DMRs) as potential cfDNA biomarkers for head and neck squamous cell carcinoma (HNSC). Our hypothesis is that the paired sample test provides a more suitable and powerful approach for the analysis of heterogeneous cancers like HNSC. The psDMR analysis revealed a significant number of overlapped hypermethylated DMRs between two datasets, indicating the reliability and relevance of these regions for cfDNA methylation biomarker discovery. We identified several candidate genes, including CALCA, ALX4, and HOXD9, which have been previously established as liquid biopsy methylation biomarkers in various cancer types. Furthermore, we demonstrated the efficacy of targeted region analysis using cfDNA methylation data from oral cavity squamous cell carcinoma and nasopharyngeal carcinoma patients, further validating the utility of psDMR analysis in prioritizing cfDNA methylation biomarkers. Overall, our study contributes to the development of cfDNA-based approaches for early cancer detection and monitoring, expanding our understanding of the epigenetic landscape of HNSC, and providing valuable insights for liquid biopsy biomarker discovery not only in HNSC and other cancer types.

Abstract Cell type classification is an important problem in cancer research, especially with the advent of single cell technologies. Correctly identifying cells within the tumor microenvironment can provide oncologists with a snapshot of how a patient’s immune system is reacting to the tumor. Wide deep learning (WDL) is an approach to construct a cell-classification prediction model that can learn patterns within high-dimensional data (deep) and ensure that biologically relevant features (wide) remain in the final model. In this paper, we demonstrate that the use of regularization can prevent overfitting and adding a wide component to a neural network can result in a model with better predictive performance. In particular, we observed that a combination of dropout and ℓ 2 regularization can lead to a validation loss function that does not depend on the number of training iterations and does not experience a significant decrease in prediction accuracy compared to models with ℓ 1 , dropout, or no regularization. Additionally, we show WDL can have superior classification accuracy when the training and testing of a model is completed data on that arise from the same cancer type, but from different platforms. More specifically, WDL compared to traditional deep learning models can substantially increase the overall cell type prediction accuracy (41 to 90%) and T-cell sub-types (CD4: 0 to 76%, and CD8: 61 to 96%) when the models were trained using melanoma data obtained from the 10X platform and tested on basal cell carcinoma data obtained using SMART-seq.