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 Identification of patients with life-threatening diseases including leukemias or infections such as tuberculosis and COVID-19 is an important goal of precision medicine. We recently illustrated that leukemia patients are identified by machine learning (ML) based on their blood transcriptomes. However, there is an increasing divide between what is technically possible and what is allowed because of privacy legislation. To facilitate integration of any omics data from any data owner world-wide without violating privacy laws, we here introduce Swarm Learning (SL), a decentralized machine learning approach uniting edge computing, blockchain-based peer-to-peer networking and coordination as well as privacy protection without the need for a central coordinator thereby going beyond federated learning. Using more than 14,000 blood transcriptomes derived from over 100 individual studies with non-uniform distribution of cases and controls and significant study biases, we illustrate the feasibility of SL to develop disease classifiers based on distributed data for COVID-19, tuberculosis or leukemias that outperform those developed at individual sites. Still, SL completely protects local privacy regulations by design. We propose this approach to noticeably accelerate the introduction of precision medicine.

Next generation sequencing (NGS) is the driving force behind precision medicine and is revolutionizing most, if not all, areas of the life sciences. Particularly when targeting the major common diseases, an exponential growth of NGS data is foreseen for the next decades. This enormous increase of NGS data and the need to process the data quickly for real-world applications requires to rethink our current compute infrastructures. Here we provide evidence that memory-driven computing (MDC), a novel memory-centric hardware architecture, is an attractive alternative to current processor-centric compute infrastructures. To illustrate how MDC can change NGS data handling, we used RNA-seq assembly and pseudoalignment followed by quantification as two first examples. Adapting transcriptome assembly pipelines for MDC reduced compute time by 5.9-fold for the first step (SAMtools). Even more impressive, pseudoalignment by near-optimal probabilistic RNA-seq quantification (kallisto) was accelerated by more than two orders of magnitude with identical accuracy and indicated 66% reduced energy consumption. One billion RNA-seq reads were processed in just 92 seconds. Clearly, MDC simultaneously reduces data processing time and energy consumption. Together with the MDC-inherent solutions for local data privacy, a new compute model can be projected pushing large scale NGS data processing and primary data analytics closer to the edge by directly combining high-end sequencers with local MDC, thereby also reducing movement of large raw data to central cloud storage. We further envision that other data-rich areas will similarly benefit from this new memory-centric compute architecture.

Summary Visceral adiposity in elderly is associated with alterations in adipose tissue immune cells leading to inflammation and metabolic dysfunction. The Nlrp3 inflammasome is a critical regulator of macrophage activation, inflammation, and immunometabolism in visceral adipose tissue during aging; however, the potential contribution of adipose tissue B cells is unexplored. Here, we show that aging expands adipose-resident B cells and fat-associated lymphoid clusters (FALCs) in visceral white adipose tissue. Adipose tissue B cells exhibit a memory-like B cell profile similar to the phenotype of aged B cells that are increased in spleen of old mice. Mechanistically, the age-induced FALC formation and adipose B cell expansion, but not B cell transcriptional program, is dependent on the Nlrp3 inflammasome. Furthermore, B cell depletion in aged mice restores lipolysis and defense against loss of core body temperature during cold stress. These data reveal that inhibiting Nlrp3-dependent B cell accumulation can be targeted to reverse metabolic impairment in aging adipose tissue. Highlights - Adipose-resident aged B cells are increased in fat-associated lymphoid clusters (FALC) - FALC formation and adipose-resident B cell expansion during aging are regulated by the Nlrp3 inflammasome - Nlrp3 and B cell depletion in aging restores lipolysis and improves cold tolerancea

Abstract Oncohistones represent compelling evidence for a causative role of epigenetic perturbations in cancer. Giant cell tumours of bone (GCTs) are characterised by a mutated histone H3.3 as the sole genetic driver present in bone-forming osteoprogenitor cells but absent from abnormally large bone-resorbing osteoclasts which represent the hallmark of these neoplasms. While these striking features imply a pathogenic interaction between mesenchymal and myelomonocytic lineages during GCT development, the underlying mechanisms remain unknown. We show that the changes in the transcriptome and epigenome in the mesenchymal cells caused by the H3.3-G34W mutation contribute to increase osteoclast recruitment in part via reduced expression of the TGFβ-like soluble factor, SCUBE3. In turn, osteoclasts secrete unregulated amounts of SEMA4D enhancing proliferation of mutated osteoprogenitors and arresting their maturation. These findings provide a mechanism by which GCTs undergo differentiation upon denosumab treatment, a drug that depletes osteoclasts. In contrast, gain of hTERT activity, commonly found in malignant GCT, makes neoplastic cells insensitive to osteoclasts, predicting the unresponsiveness to denosumab. We provide a mechanism for GCT initiation and its response to current treatment, the basis of which is dysfunctional cross-talk between bone-forming and bone-resorbing cells, emphasising the importance of tumor/microenvironment bidirectional interactions in tumorigenesis.

Acute Myeloid Leukemia (AML) is a severe, mostly fatal hematopoietic malignancy. Despite nearly two decades of promising results using gene expression profiling, international recommendations for diagnosis and differential diagnosis of AML remain based on classical approaches including assessment of morphology, immunophenotyping, cytochemistry, and cytogenetics. Concerns about the translation of whole transcriptome profiling include the robustness of derived predictors when taking into account factors such as study- and site-specific effects and whether achievable levels of accuracy are sufficient for practical use. In the present study, we sought to shed light on these issues via a large-scale analysis using machine learning methods applied to a total of 12,029 samples from 105 different studies. Taking advantage of the breadth of data and the now much improved understanding of high-dimensional modeling, we show that AML can be predicted with high accuracy. High-dimensional approaches - in which multivariate signatures are learned directly from genome-wide data with no prior biological knowledge - are highly effective and robust. We explore also the relationship between predictive signatures, differential expression and known AML-related genes. Taken together, our results support the notion that transcriptome assessment could be used as part of an integrated genomic approach in cancer diagnosis and treatment to be implemented early on for diagnosis and differential diagnosis of AML.

High-dimensional cytometry (HDC) is a powerful technology for studying single-cell phenotypes in complex biological systems. Although technological developments and affordability have made HDC broadly available in recent years, technological advances were not coupled with an adequate development of analytical methods that can take full advantage of the complex data generated. While several analytical platforms and bioinformatics tools have become available for the analysis of HDC data, these are either web-hosted with limited scalability or designed for expert computational biologists, making their use unapproachable for wet lab scientists. Additionally, end-to-end HDC data analysis is further hampered due to missing unified analytical ecosystems, requiring researchers to navigate multiple platforms and software packages to complete the analysis. To bridge this data analysis gap in HDC we developed cyCONDOR, an easy-to-use computational framework covering not only all essential steps of cytometry data analysis but also including an array of downstream functions and tools to expand the biological interpretation of the data. The comprehensive suite of features of cyCONDOR, including guided pre-processing, clustering, dimensionality reduction, and machine learning algorithms, facilitates the seamless integration of cyCONDOR into clinically relevant settings, where scalability and disease classification are paramount for the widespread adoption of HDC in clinical practice. Additionally, the advanced analytical features of cyCONDOR, such as pseudotime analysis and batch integration, provide researchers with the tools to extract deeper insights from their data. We used cyCONDOR on a variety of data from different tissues and technologies demonstrating its versatility to assist the analysis of high dimensionality data from preprocessing to biological interpretation.

Apoptotic cell death of Dendritic cells (DCs) is critical for immune homeostasis. Although intrinsic mechanisms controlling DC death have not been fully characterized up to now, experimentally enforced inhibition of DC-death causes various autoimmune diseases in model systems. We have generated mice deficient for Protein Phosphatase with EF-Hands 2 (Ppef2), which is selectively expressed in CD8+ DCs, but not in other related DC subtypes such as tissue CD103+ DCs. Ppef2 is down-regulated rapidly upon maturation of DCs by toll-like receptor stimuli, but not upon triggering of CD40. Ppef2-deficient CD8+ DCs accumulate the pro-apoptotic Bcl-2-like protein 11 (Bim) and show increased apoptosis and reduced competitve repopulation capacities. Furthermore, Ppef2-/- CD8+ DCs have strongly diminished antigen presentation capacities in vivo, as CD8+ T cells primed by Ppef2-/- CD8+ DCs undergo reduced expansion. In conclusion, our data suggests that Ppef2 is crucial to support survival of immature CD8+ DCs, while Ppef2 down-regulation during DC-maturation limits T cell responses.

Abstract Non-communicable diseases (NCDs) are rising rapidly in urbanizing populations in sub-Saharan Africa. Assessment of inflammatory and metabolic characterstics of an urbanizing African population and the comparison with populations outside Africa could provide insight in the pathophysiology of the rapidly increasing epidemic of NCDs, including the role of environmental and dietary changes. Using a proteomic plasma profiling approach comprising 92 inflammation-related molecules, we examined differences in the inflammatory proteome in healthy Tanzanian and healthy Dutch adults. We show that healthy Tanzanians display a pro-inflammatory phenotype compared to Dutch subjects, with enhanced activity of the Wnt/β-catenin signalling pathway and higher concentrations of different metabolic regulators such as 4E-BP1 and fibroblast growth factor 21. Among the Tanzanian volunteers, food-derived metabolites were identified as an important driver of variation in inflammation-related molecules, emphasizing the potential importance of lifestyle changes. These findings endorse the importance of the current dietary transition in the NCDs epidemic in sub-Saharan Africa and the inclusion of underrepresented populations in systems immunology studies.

Summary Dynamic DNA methylation controls gene-regulatory networks underlying cell fate specification. How DNA methylation patterns change during adult hippocampal neurogenesis and their relevance for adult neural stem cell differentiation and related brain function has, however, remained unknown. Here, we show that neurogenesis-associated de novo DNA methylation is critical for maturation and functional integration of adult-born hippocampal neurons. Cell stage-specific bisulfite sequencing revealed a pronounced gain of DNA methylation at neuronal enhancers, gene bodies and binding sites of pro-neuronal transcription factors during adult neurogenesis, which mostly correlated with transcriptional up-regulation of the associated loci. Inducible deletion of both de novo DNA methyltransferases Dnmt3a and Dnmt3b in adult neural stem cells specifically impaired dendritic outgrowth and synaptogenesis of new-born neurons, resulting in reduced hippocampal excitability and specific deficits in hippocampus-dependent learning and memory. Our results highlight that, during adult neurogenesis, remodeling of neuronal methylomes is fundamental for proper hippocampal function.