Abstract Single-cell technologies have transformed our understanding of human tissues. Yet, studies typically capture only a limited number of donors and disagree on cell type definitions. Integrating many single-cell datasets can address these limitations of individual studies and capture the variability present in the population. Here we present the integrated Human Lung Cell Atlas (HLCA), combining 49 datasets of the human respiratory system into a single atlas spanning over 2.4 million cells from 486 individuals. The HLCA presents a consensus cell type re-annotation with matching marker genes, including annotations of rare and previously undescribed cell types. Leveraging the number and diversity of individuals in the HLCA, we identify gene modules that are associated with demographic covariates such as age, sex and body mass index, as well as gene modules changing expression along the proximal-to-distal axis of the bronchial tree. Mapping new data to the HLCA enables rapid data annotation and interpretation. Using the HLCA as a reference for the study of disease, we identify shared cell states across multiple lung diseases, including SPP1 + profibrotic monocyte-derived macrophages in COVID-19, pulmonary fibrosis and lung carcinoma. Overall, the HLCA serves as an example for the development and use of large-scale, cross-dataset organ atlases within the Human Cell Atlas.

Abstract Reduced lung function predicts mortality and is key to the diagnosis of COPD. In a genome-wide association study in 400,102 individuals of European ancestry, we define 279 lung function signals, one-half of which are new. In combination these variants strongly predict COPD in deeply-phenotyped patient populations. Furthermore, the combined effect of these variants showed generalisability across smokers and never-smokers, and across ancestral groups. We highlight biological pathways, known and potential drug targets for COPD and, in phenome-wide association studies, autoimmune-related and other pleiotropic effects of lung function associated variants. This new genetic evidence has potential to improve future preventive and therapeutic strategies for COPD.

ABSTRACT BACKGROUND Cell entry of SARS-CoV-2, the novel coronavirus causing COVID-19, is facilitated by host cell angiotensin-converting enzyme 2 (ACE2) and transmembrane serine protease 2 (TMPRSS2). We aimed to identify and characterize genes that are co-expressed with ACE2 and TMPRSS2 , and to further explore their biological functions and potential as druggable targets. METHODS Using the gene expression profiles of 1,038 lung tissue samples, we performed a weighted gene correlation network analysis (WGCNA) to identify modules of co-expressed genes. We explored the biology of co-expressed genes using bioinformatics databases, and identified known drug-gene interactions. RESULTS ACE2 was in a module of 681 co-expressed genes; 12 genes with moderate-high correlation with ACE2 (r>0.3, FDR<0.05) had known interactions with existing drug compounds. TMPRSS2 was in a module of 1,086 co-expressed genes; 15 of these genes were enriched in the gene ontology biologic process ‘Entry into host cell’, and 53 TMPRSS2- correlated genes had known interactions with drug compounds. CONCLUSION Dozens of genes are co-expressed with ACE2 and TMPRSS2 , many of which have plausible links to COVID-19 pathophysiology. Many of the co-expressed genes are potentially targetable with existing drugs, which may help to fast-track the development of COVID-19 therapeutics.

Abstract Spatial transcriptomics (ST) offers valuable insights into gene expression patterns within the spatial context of tissue. However, most technologies do not have a single-cell resolution, masking the signal of the individual cell types. Here, we present SMART, a reference-free deconvolution method that simultaneously infers the cell type-specific gene expression profile and the cellular composition at each spot. Unlike most existing methods that rely on having a single-cell RNA-sequencing dataset as the reference, SMART only uses marker gene symbols as the prior knowledge to guide the deconvolution process and outperforms the existing methods in realistic settings when an ideal reference dataset is unavailable. SMART also provides a two-stage approach to enhance its performance on cell subtypes. Allowing the inclusion of covariates, SMART provides condition-specific estimates and enables the identification of cell type-specific differentially expressed genes across conditions, which elucidates biological changes at a single-cell-type resolution.

Measuring genome-wide changes in transcript abundance in circulating peripheral whole blood cells is a useful way to study disease pathobiology and may help elucidate biomarkers and molecular mechanisms of disease. The sensitivity and interpretability of analyses carried out in this complex tissue, however, are significantly affected by its dynamic heterogeneity. It is therefore desirable to quantify this heterogeneity, either to account for it or to better model interactions that may be present between the abundance of certain transcripts, some cell types and the indication under study. Accurate enumeration of the many component cell types that make up peripheral whole blood can be costly, however, and may further complicate the sample collection process. Many approaches have been developed to infer the composition of a sample from high-dimensional transcriptomic and, more recently, epigenetic data. These approaches rely on the availability of isolated expression profiles for the cell types to be enumerated. These profiles are platform-specific, suitable datasets are rare, and generating them is expensive. No such dataset exists on the Affymetrix Gene ST platform. We present a freely-available, and open source, multi-response Gaussian model capable of accurately predicting the composition of peripheral whole blood samples from Affymetrix Gene ST expression profiles. This model outperforms other current methods when applied to Gene ST data and could potentially be used to enrich the >10,000 Affymetrix Gene ST blood gene expression profiles currently available on GEO.

Background: A significant proportion of patients with chronic obstructive pulmonary disease (COPD) remain undiagnosed. Characterising these patients can increase our understanding of the 'hidden' burden of COPD and the effectiveness of case detection interventions. Methods: We conducted a systematic review and meta-analysis to compare patient and disease risk factors between patients with undiagnosed persistent airflow limitation and those with diagnosed COPD. We searched MEDLINE and EMBASE for observational studies of adult patients meeting accepted spirometric definitions of COPD. We extracted and pooled summary data on the proportion or mean of each risk factor among diagnosed and undiagnosed patients (unadjusted analysis), and coefficients for the adjusted association between risk factors and diagnosis status (adjusted analysis). This protocol is registered with PROSPERO (CRD42017058235). Findings: 2,083 records were identified through database searching and 16 articles were used in the meta-analyses. Diagnosed patients were less likely to have mild (v. moderate to very severe) COPD (odds ratio [OR] 0.30, 95% CI 0.24-0.37, 6 studies) in unadjusted analysis. This association remained significant but its strength was attenuated in the adjusted analysis (OR 0.72, 95% CI 0.58-0.89, 2 studies). Diagnosed patients were more likely to report respiratory symptoms such as wheezing (OR 3.51, 95% CI 2.19-5.63, 3 studies) and phlegm (OR 2.16, 95% CI 1.38-3.38, 3 studies), had more severe dyspnoea (modified Medical Research Council scale mean difference 0.52, 95% CI 0.40-0.64, 3 studies) and slightly greater smoking history than undiagnosed patients. Patient age, sex, current smoking status, and the presence of coughing were not associated with a previous diagnosis. Interpretation: Patients with undiagnosed persistent airflow limitation had less severe airflow obstruction and fewer respiratory symptoms than diagnosed patients. This indicates that there is lower disease burden among undiagnosed patients compared to those with diagnosed COPD, which may significantly delay the diagnosis of COPD. Funding: Canadian Institutes of Health Research.

ABSTRACT Mucus forms the first defense line of human lungs, and as such hampers the efficient delivery of therapeutics to the underlying epithelium. This holds particularly true for genetic cargo such as CRISPR-based gene editing tools which cannot readily surmount the mucosal barrier. While lipid nanoparticles (LNPs) emerged as versatile non-viral gene delivery systems that could help overcome the delivery challenge, many knowledge gaps remain, especially for diseased states such as cystic fibrosis (CF). This study provides fundamental insights into Cas9 mRNA or ribonucleoprotein-loaded LNP-mucus interactions in healthy and diseased states by assessing the impact of the genetic cargo, mucin sialylation, mucin concentration, ionic strength, pH, and polyethylene glycol (PEG) concentration and nature on LNP diffusivity leveraging experimental approaches and Brownian dynamics simulations. Taken together, this study identifies key mucus and LNP characteristics that are critical to enabling a rational LNP design for transmucosal delivery. Graphical Abstract

Expression quantitative trait locus (eQTL) analysis relates genetic variation to gene expression, and it has been shown that power to detect eQTLs is substantially increased by adjustment for measures of expression variability derived from singular value decomposition-based procedures (referred to as expression factors, or EFs). A potential downside to this approach is that power will be reduced for eQTL that are correlated with one or more EFs, but these approaches are commonly used in human eQTL studies on the assumption that this risk is low for cis (i.e. local) eQTL associations. Using two independent blood eQTL datasets, we show that this assumption is incorrect and that, in fact, 10-25% of eQTL that are significant without adjustment for EFs are no longer detected after EF adjustment. In addition, the majority of these lost eQTLs replicate in independent data, indicating that they are not spurious associations. Thus, in the ideal case, EFs would be re-estimated for each eQTL association test, as has been suggested by others; however, this is computationally infeasible for large datasets with densely imputed genotype data. We propose an alternative, buffet-style approach in which a series of EF and non-EF eQTL analyses are performed and significant eQTL discoveries are collected across these analyses. We demonstrate that standard methods to control the false discovery rate perform similarly between the single EF and buffet-style approaches, and we provide biological support for eQTL discovered by this approach in terms of immune cell-type specific enhancer enrichment in Roadmap Epigenomics and ENCODE cell lines.

Over 90 regions of the genome have been associated with lung function to date, many of which have also been implicated in chronic obstructive pulmonary disease (COPD). We carried out meta-analyses of exome array data and three lung function measures: forced expiratory volume in one second (FEV1), forced vital capacity (FVC) and the ratio of FEV1 to FVC (FEV1/FVC). These analyses by the SpiroMeta and CHARGE consortia included 60,749 individuals of European ancestry from 23 studies, and 7,721 individuals of African Ancestry from 5 studies in the discovery stage, with follow-up in up to 111,556 independent individuals. We identified significant (P<2.8x10-7) associations with six SNPs: a nonsynonymous variant in RPAP1, which is predicted to be damaging, three intronic SNPs (SEC24C, CASC17 and UQCC1) and two intergenic SNPs near to LY86 and FGF10. eQTL analyses found evidence for regulation of gene expression at three signals and implicated several genes including TYRO3 and PLAU. Further interrogation of these loci could provide greater understanding of the determinants of lung function and pulmonary disease.

We collated 129 non-overlapping risk loci for chronic obstructive pulmonary disease (COPD) from the GWAS literature. Using recent and complementary integrative genomics approaches, combining GWAS and lung eQTL results, we identified 12 novel COPD loci and corresponding causal genes. In addition, we mapped candidate causal genes for 60 out of the 129 GWAS-nominated loci as well as for four sub-genome-wide significant COPD risk loci derived from the largest GWAS on COPD. Mapping causal genes in lung tissue represents an important contribution on the genetics of COPD, enriches our biological interpretation of GWAS findings, and brings us closer to clinical translation of genetic associations.