Abstract Cancers can vary greatly in their transcriptomes. In contrast to alterations in specific genes or pathways, differences in tumor cell total mRNA content have not been comprehensively assessed. Technical and analytical challenges have impeded examination of total mRNA expression at scale across cancers. To address this, we developed a model for quantifying tumor-specific total mRNA expression (TmS) from bulk sequencing data, which performs transcriptomic deconvolution while adjusting for mixed genomes. We used single-cell RNA sequencing data to demonstrate total mRNA expression as a feature of tumor phenotype. We estimated and validated TmS in 5,015 patients across 15 cancer types identifying significant inter-individual variability. At a pan-cancer level, high TmS is associated with increased risk of disease progression and death. Cancer type-specific patterns of genetic alterations, intra-tumor genetic heterogeneity, as well as pan-cancer trends in metabolic dysregulation and hypoxia contribute to TmS. Taken together, our results suggest that measuring cell-type specific total mRNA expression offers a broader perspective of tracking cancer transcriptomes, which has important biological and clinical implications.

Abstract Massively-Parallel Cytometry (MPC) experiments allow cost-effective quantification of more than 200 surface proteins at single-cell resolution. The Infinity Flow (Inflow) analysis protocol was developed to measure highly informative protein ‘ backbone ’ markers on all cells in all wells distributed across three 96-well plates, along with well-specific exploratory protein ‘ infinity ’ markers. Backbone markers can be used to impute the infinity markers on cells in all other wells using machine learning methods. This protocol offers unprecedented opportunities for more comprehensive classification of cell types. However, some aspects of the protocol can be improved, including methods for background correction and removal of unwanted variation. Here, we propose MAPFX as an end-to-end toolbox that carefully pre-processes the raw data from MPC experiments, and further imputes the ‘missing’ infinity markers in the wells without those measurements. Our pipeline starts by performing background correction on raw intensities to remove the noise from electronic baseline restoration and fluorescence compensation by adapting a normal-exponential convolution model. Unwanted technical variation, from sources such as well effects, is then removed using a log-normal model with plate, column, and row factors, after which infinity markers are imputed using the informative backbone markers as predictors. The completed dataset can then be used for clustering and other statistical analyses. Unique features of our approach include performing background correction prior to imputation and removing unwanted variation from the data at the cell-level, while explicitly accounting for the potential association between biology and unwanted factors. We benchmark our pipeline against alternative pipelines and demonstrate that our approach is better at preserving biological signals, removing unwanted variation, and imputing unmeasured infinity markers.

Abstract With development of the single cell RNA-seq technologies, large numbers of cells can now be routinely sequenced by different platforms. This requires us to choose an efficient integration tool to merge those cells, and computational simulators to help benchmark and assess the performance of these tools. Although existing single cell RNA-seq simulators can simulate library size, biological and batch effects separately, they currently do not capture associations among these three factors. Here we present GLMsim, the first single cell RNA-seq simulator to simultaneously capture the library size, biology and unwanted variation and their associations via a generalized linear model, and to simulate data resembling the original experimental data in these respects. GLMsim is capable of quantitatively benchmarking different single cell integration methods, and assessing their abilities to retain biology and remove library size and batch effects.

Concerted examination of multiple collections of single cell RNA-Seq (scRNA-Seq) data promises further biological insights that cannot be uncovered with individual datasets. However, such integrative analyses are challenging and require sophisticated methodologies. To enable effective interrogation of multiple scRNA-Seq datasets, we have developed a novel algorithm, named scMerge, that removes unwanted variation by combining stably expressed genes and utilizing pseudo-replicates across datasets. Analysis of large collections of publicly available datasets demonstrates that scMerge performs well in multiple scenarios and enhances biological discovery, including inferring cell developmental trajectories.

Abstract Tissue-resident memory T cells (T RM ) provide immune defence against local infection and can inhibit cancer progression. However, it is unclear to what extent chronic inflammation impacts T RM activation and how the immune pressure exerted by T RM affects developing tumours in humans. We performed deep profiling of lung cancers arising in never-smokers (NS) and ever-smokers (ES), finding evidence of enhanced T RM immunosurveillance in ES lung. Only tumours arising in ES patients underwent clonal immune escape, even when evaluating cancers with similar tumour mutational burden to NS patients, suggesting that the timing of immune pressure exerted by T RM is a critical factor in the evolution of tumour immune evasion. Tumours grown in T cell quiescent NS lungs displayed little evidence of immune evasion and had fewer neoantigens with low diversity, paradoxically making them amenable to treatment with agonist of the costimulatory molecule, ICOS. These data demonstrate local environmental insults enhance T RM immunosurveillance of human tissue, shape the evolution of tumour immunogenicity and that this interplay informs effective immunotherapeutic modalities.

ABSTRACT T cell receptor (TCR) repertoires can be profiled using next generation sequencing (NGS) to monitor dynamical changes in response to disease and other perturbations. Several strategies for profiling TCRs have been recently developed with different benefits and drawbacks. Genomic DNA-based bulk sequencing, however, remains the most cost-effective method to profile TCRs. The major disadvantage of this method is the need for multiplex target amplification with a large set of primer pairs with potentially very different amplification efficiencies. One approach addressing this problem is by iteratively adjusting the concentrations of the primers based on their efficiencies, and then computationally correcting any remaining bias. Yet there are no standard, publicly available protocols to process and analyze raw sequencing data generated by this method. Here, we utilize an equimolar primer mixture and propose a single statistical normalization step that efficiently corrects for amplification bias post sequencing. Using samples analyzed by both approaches, we show that the concordance between bulk clonality metrics obtained from using the commercial kits and that developed herein is high. Therefore, we suggest the method presented here as an inexpensive and non-commercial alternative for measuring and monitoring adaptive dynamics in TCR clonotype repertoire.