Summary The human kidney is composed of over 26 cell types that actively coordinate with each other to form higher-order structures, such as the nephron. It is not yet understood how these structures vary throughout a single organ or amongst the same organs within the human population. We have developed an extensive lipid and cellular atlas of the human kidney consisting of over 3 million cells comprising 75,000 functional tissue units ( i . e ., glomeruli, proximal tubules, distal tubules, and collecting ducts) from 13 human subjects. This atlas was developed using spatially registered and integrated technologies consisting of imaging mass spectrometry, multiplexed immunofluorescence, stained microscopy, and autofluorescence microscopy, to comprehensively probe large ( i . e ., centimeter-sized) areas of tissue. The cellular organization and lipid profiles of glomeruli, proximal tubules, distal tubules, and collecting ducts were discovered through these multimodal imaging data as well as their intra- and inter-subject variance. Relating the lipid profiles obtained from imaging mass spectrometry to distinct cell types obtained from immunofluorescence allowed us to hypothesize the functional role of specific phospholipids that have not previously been described. These hypotheses include subject characteristics, such as BMI and sex. The integrated data from the aforementioned datasets provide a valuable reference for kidney researchers, are publicly available through the NIH Human Biomolecular Atlas Program ( https://portal.hubmapconsortium.org/ ), and discussed below.

Abstract Clostridioides difficile is a common cause of diarrhea and mortality, especially in immunosuppressed and hospitalized patients. C. difficile is a toxin-mediated disease, but the host cell receptors for C. difficile toxin B (TcdB) have only recently been revealed. Emerging data suggest TcdB interacts with receptor tyrosine kinases during infection. In particular, TcdB can elicit Epidermal Growth Factor Receptor (EGFR) transactivation in human colonic epithelial cells. The mechanisms for this function are not well understood, and the involvement of other receptors in the EGFR family of Erythroblastic Leukemia Viral Oncogene Homolog (ErbB) receptors remains unclear. Furthermore, in an siRNA-knockdown screen for protective genes involved with TcdB toxin pathogenesis, we show ErbB2 and ErbB3 loss resulted in increased cell viability. We hypothesize TcdB induces the transactivation of EGFR and/or ErbB receptors as a component of its cell-killing mechanism. Here, we show in vivo intrarectal instillation of TcdB in mice leads to phosphorylation of ErbB2 and ErbB3. However, immunohistochemical staining for phosphorylated ErbB2 and ErbB3 indicated no discernible difference between control and TcdB-treated mice for epithelial phospho-ErbB2 and phospho-ErbB3. Human colon cancer cell lines (HT29, Caco-2) exposed to TcdB were not protected by pre-treatment with lapatinib, an EGFR/ErbB2 inhibitor. Similarly, lapatinib pre-treatment failed to protect normal human colonoids from TcdB-induced cell death. Neutralizing antibodies against mouse EGFR failed to protect mice from TcdB intrarectal instillation as measured by edema, inflammatory infiltration, and epithelial injury. Our findings suggest TcdB-induced colonocyte cell death does not require EGFR/ErbB receptor tyrosine kinase activation.

Recent technological advances have made it feasible to collect multi-condition transcriptome and proteome time-courses of cellular response to perturbation. The increasing size and complexity of these datasets impedes mechanism of action discovery due to challenges in data management, analysis, visualization, and interpretation. Here, we introduce MAGINE, a software framework to explore complex time-course multi-omics datasets and build mechanistic hypotheses of dynamic cellular response. MAGINE combines data management, enrichment, and network analysis and visualization within an interactive, Jupyter notebook-based environment to enable human-in-the-loop inquiry of complex datasets. We demonstrate how measurements from HL-60 cellular response to bendamustine treatment can be used to build a mechanistic, multi-resolution description of cellular commitment to fate. We present a systems-level description of signal execution from cellular DNA-damage response, to cell cycle arrest, and eventual commitment to apoptosis, mediated by over 2000 biochemical species. We further show that MAGINE can reveal unexpected, non-canonical effects of bendamustine treatment, including disruption of cellular pathways relevant to HIV infection response. MAGINE is available from https://github.com/lolab-vu/magine.

Abstract Glomeruli filter blood through the coordination of podocytes, mesangial cells, fenestrated endothelial cells, and the glomerular basement membrane. Cellular changes, such as podocyte loss, are associated with pathologies like diabetic kidney disease (DKD). However, little is known regarding the in situ molecular profiles of specific cell types and how these profiles change with disease. Matrix-assisted laser desorption/ionization imaging mass spectrometry (MALDI IMS) is well-suited for untargeted tissue mapping of a wide range of molecular classes. Additional imaging modalities can be integrated with MALDI IMS to associate these biomolecular distributions to specific cell types. Herein, we demonstrate an integrated workflow combining MALDI IMS and multiplexed immunofluorescence (MxIF) microscopy. High spatial resolution MALDI IMS (5 µm pixel size) was used to determine lipid distributions within human glomeruli, revealing intra-glomerular lipid heterogeneity. Mass spectrometric data were linked to specific glomerular cell types through new methods that enable MxIF microscopy to be performed on the same tissue section following MALDI IMS without sacrificing signal quality from either modality. A combination of machine-learning approaches was assembled, enabling cell-type segmentation and identification based on MxIF data followed by the mining of cell type or cluster-associated MALDI IMS signatures using classification models and interpretable machine learning. This allowed the automated discovery of spatially specific biomarker candidates for glomerular substructures and cell types. Overall, the work presented here establishes a toolbox for probing molecular signatures of glomerular cell types and substructures within tissue microenvironments and provides a framework that applies to other kidney tissue features and organ systems.