Abstract Resistance to ionizing radiation, a first-line therapy for many cancers, is a major clinical challenge. Personalized prediction of tumor radiosensitivity is not currently implemented clinically due to insufficient accuracy of existing machine learning classifiers. Despite the acknowledged role of tumor metabolism in radiation response, metabolomics data is rarely collected in large multi-omics initiatives such as The Cancer Genome Atlas (TCGA) and consequently omitted from algorithm development. In this study, we circumvent the paucity of personalized metabolomics information by characterizing 915 TCGA patient tumors with genome-scale metabolic Flux Balance Analysis models generated from transcriptomic and genomic datasets. Novel metabolic biomarkers differentiating radiation-sensitive and -resistant tumors were predicted and experimentally validated, enabling integration of metabolic features with other multi-omics datasets into ensemble-based machine learning classifiers for radiation response. These multi-omics classifiers showed improved classification accuracy, identified novel clinical patient subgroups, and demonstrated the utility of personalized blood-based metabolic biomarkers for radiation sensitivity. The integration of machine learning with genome-scale metabolic modeling represents a significant methodological advancement for identifying prognostic metabolite biomarkers and predicting radiosensitivity for individual patients.

Abstract Induced pluripotent stem cells (iPSCs) hold great promise in regenerative medicine; however, few algorithms of quality control at the earliest stages of differentiation have been established. Despite lipids having known functions in cell signaling, their role in pluripotency maintenance and lineage specification is underexplored. We investigated changes in iPSC lipid profiles during initial loss of pluripotency over the course of spontaneous differentiation using co-registration of confocal microscopy and matrix-assisted laser desorption/ionization (MALDI) mass spectrometry imaging. We identified lipids that are highly informative of the temporal stage of the differentiation and can reveal lineage bifurcation occurring metabolically. Several phosphatidylinositol species emerged from machine learning analysis as early metabolic markers of pluripotency loss, preceding changes in Oct4. Manipulation of phospholipids via PI 3-kinase inhibition during differentiation manifested in spatial reorganization of the colony and elevated expression of NCAM-1. In addition, continuous inhibition of phosphatidylethanolamine N-methyltransferase during differentiation resulted in increased pluripotency maintenance. Our machine learning analysis highlights the predictive power of metabolic metrics for evaluating lineage specification in the initial stages of spontaneous iPSC differentiation.

ABSTRACT Advances in multiagent chemotherapy have led to recent improvements in overall survival for patients with acute lymphoblastic leukemia (ALL); however, a significant fraction do not respond to frontline chemotherapy or later relapse with recurrent disease, after which long-term survival rates remain low. To address the challenge of developing new, effective treatment options for these patients, we conducted a series of high-throughput combination drug screens to identify chemotherapies that synergize in a lineage-specific manner with MRX-2843, a small molecule dual MERTK and FLT3 kinase inhibitor currently in clinical testing for treatment of relapsed/refractory leukemias and solid tumors. Using experimental and computational approaches, we found that MRX-2843 synergized strongly – and in a ratio-dependent manner – with vincristine chemotherapy to inhibit T-ALL cell expansion and, based on these findings, we developed multiagent lipid nanoparticle formulations of these drugs that not only constitutively maintained ratiometric drug synergy following T-ALL cell delivery, but also improved anti-leukemic activity following drug encapsulation. To determine the clinical relevance of these combination drug formulations and the therapeutic impact of ratiometric drug synergy, we compared the efficacy of lipid nanoparticles comprising synergistic, additive, and antagonistic ratios of MRX-2843 and vincristine, and observed that trends in in vitro synergy were directly recapitulated in primary T-ALL patient samples. Together, these findings present a systematic approach to high-throughput combination drug screening and multiagent drug delivery that maximizes the therapeutic potential of combined MRX-2843 and vincristine in T-ALL. This broadly generalizable approach could lead to the development of constitutively synergistic combination products for the treatment of cancer and other diseases.

Mesenchymal stem/stromal cell (MSC) therapies have had limited success so far in clinical trials due in part to heterogeneity in immune-responsive phenotypes. Therefore, techniques to characterize these properties of MSCs are needed during biomanufacturing. Imaging cell shape, or morphology, has been found to be associated with MSC immune responsivity-but a direct relationship between single-cell morphology and function has not been established. We used label-free differential phase contrast imaging and matrix-assisted laser desorption/ionization mass spectrometry imaging (MALDI-MSI) to evaluate single-cell morphology and explore relationships with lipid metabolic immune response. In interferon gamma (IFN-γ)-stimulated MSCs, we found higher lipid abundances from the ceramide-1-phosphate (C1P), phosphatidylcholine (PC), LysoPC, and triglyceride (TAG) families that are involved in cell immune function. Furthermore, we identified differences in lipid signatures in morphologically defined MSC subpopulations. The use of single-cell optical imaging coupled with single-cell spatial lipidomics could assist in optimizing the MSC production process and improve mechanistic understanding of manufacturing process effects on MSC immune activity and heterogeneity.

Hemipterans include some of the most important insect pests of agricultural systems and vectors of plant pathogens. The vector, Diaphorina citri (Asian citrus psyllid) belonging to the Psylloidae superfamily, is the primary target of approaches to stop the spread of the pathogen Ca. Liberibacter asiaticus that causes Huanglongbing or citrus greening disease. High quality genomic resources enable rapid functional discovery that can target disease transmission and control. The previous psyllid genome (Diaci v1.1) available in NCBI is missing 25% of the single copy markers conserved in other Hemipterans. Manual genome curation helped to identify a significant number of genome anomalies including misassemblies and missing genes. We present an improved and highly contiguous de novo assembly based on PacBio long reads followed by Dovetail Chicago and Hi-C based scaffolding. The current assembly (Diaci v3) has 13 chromosomal length scaffolds with a genome size of 475 Mb. This is the first report of a chromosomal length assembly in the Hemiptera order according to our knowledge. Full-length cDNA transcripts were sequenced with PacBio Iso-Seq technology from diseased and healthy tissue at multiple life stages. Iso-Seq along with diverse Illumina RNAseq expression data were used to predict 19,049 protein-coding genes in psyllid using MAKER annotation pipeline. We also generated a genome independent transcriptome with a comprehensive catalog of all genes in the psyllid. Gene-targeting technologies like RNAi, antisense oligos and CRISPR require accurate annotation of genes. Lack of closely related and well characterized model organisms coupled with the diversity of insect genomes impacts the quality of predicted gene models. We used the improved genomic resources to create a high-quality manually curated gene set for developmental, structural and immune pathways. All resources are available on https://citrusgreening.org/, a portal for all omics resources for the citrus greening disease research community. The high quality ACP genome assembly, annotation based on transcriptomics evidence, manual curation of critical pathways and a genome independent de novo transcriptome will provide a foundation for comparative analysis among genomes of agricultural pests and vectors in the Hemiptera.

I. A bstract Understanding the temporal evolution of cells poses a significant challenge in developmental biology. This study embarks on a comparative analysis of various machine-learning techniques to classify sequences of cell colony images, thereby aiming to capture dynamic transitions of cellular states. Utilizing transfer learning with advanced classification networks, we achieved high accuracy in single-timestamp image categorization. We introduce temporal models—LSTM, R-Transformer, and ViViT—to explore the effectiveness of integrating temporal features in classification, comparing their performance against non-temporal models. This research benchmarks various machine learning approaches in understanding cellular dynamics, setting a foundation for future studies to enhance our understanding of cellular developments with computational methods, contributing significantly to biological research advancements.

Redox cofactor production is integral towards antioxidant generation, clearance of reactive oxygen species, and overall tumor response to ionizing radiation treatment. To identify systems-level alterations in redox metabolism which confer resistance to radiation therapy, we developed a bioinformatics pipeline for integrating multi-omics data into personalized genome-scale flux balance analysis models of 716 radiation-sensitive and 199 radiation-resistant tumors. These models collectively predicted that radiation-resistant tumors reroute metabolic flux to increase mitochondrial NADPH stores and ROS scavenging. Simulated genome-wide knockout screens agreed with experimental siRNA gene knockdowns in matched radiation-sensitive and -resistant cancer cell lines, revealing gene targets involved in mitochondrial NADPH production, central carbon metabolism, and folate metabolism that allow for selective inhibition of glutathione production and H2O2 clearance in radiation-resistant cancers. This systems approach represents a significant advancement in developing quantitative genome-scale models of redox metabolism and identifying personalized metabolic targets for improving radiation sensitivity in individual cancer patients.

Abstract Head and neck squamous cell carcinoma (HNSCC) cells are highly heterogeneous in their metabolism and typically experience elevated reactive oxygen species (ROS) levels in the tumor microenvironment. The tumor cells survive under these chronic oxidative conditions by upregulating antioxidant systems compared to healthy cells. Radiation and the majority of chemotherapies used clinically for treatment of HNSCC rely directly or indirectly upon the generation of short-lived ROS to induce cancer cell death. To investigate the heterogeneity of cellular responses to chemotherapeutic ROS generation in tumor and healthy tissue, we leveraged single cell RNA-sequencing (scRNA-seq) data to perform redox systems-level simulations of quinone-cycling β-lapachone treatment as a source of NQO1-dependent rapid superoxide and hydrogen peroxide (H 2 O 2 ) production. Transcriptomic data from 10 HNSCC patient tumors was used to populate over 4000 single cell antioxidant enzymatic models. The simulations reflected significant systems-level differences between the redox states of healthy and cancer cells, demonstrating in some patient samples a targetable cancer cell population or in others statistically indistinguishable effects between non-malignant and malignant cells. Subsequent multivariate analyses between healthy and malignant cellular models point to distinct contributors of redox responses between these phenotypes. This model framework provides a mechanistic basis for explaining mixed outcomes of NQO1-bioactivatable therapeutics despite the tumor specificity of these drugs as defined by NQO1/catalase expression.

Human brain organoids produce anatomically relevant cellular structures and recapitulate key aspects of in vivo brain function, which holds great potential to model neurological diseases and screen therapeutics. However, the long growth time of 3D systems complicates the culturing of brain organoids and results in heterogeneity across samples hampering their applications. We developed an integrated platform to enable robust and long-term culturing of 3D brain organoids. We designed a mesofluidic bioreactor device based on a reaction-diffusion scaling theory, which achieves robust media exchange for sufficient nutrient delivery in long-term culture. We integrated this device with longitudinal tracking and machine learning-based classification tools to enable non-invasive quality control of live organoids. This integrated platform allows for sample pre-selection for downstream molecular analysis. Transcriptome analyses of organoids revealed that our mesofluidic bioreactor promoted organoid development while reducing cell death. Our platform thus offers a generalizable tool to establish reproducible culture standards for 3D cellular systems for a variety of applications beyond brain organoids.

Abstract Mesenchymal stem cells (MSCs) are widely used as therapeutics targets for numerous autoimmune diseases. However, MSC therapies have had limited success so far in clinical trials, mainly being heterogenous population it is difficult to determine MSCs efficiencies. It is critical to understand internal signaling of individual MSCs population that directly affect the cell phenotype. Lipid signaling is closely associated with cell shape so, a holistic approach to understand how changes in lipid metabolites trickles all the way to single cell phenotype could reveal deeper understanding of MSCs functional regulation. So, we aim to evaluate lipid metabolic profiles of single cell MSCs with known variability in immune regulation and explore the phenotypic changes that occur because of differences in lipid signaling. We use longitudinal label free phase imaging strategies to obtain cell phenotypic features which are directly correlated with single cell lipid metabolome obtained using advanced MALDI-MSI technique. Correlation maps indicate associations between lipid signaling and phenotypic changes in MSCs. Moreover, a novel machine learning clustering approach detects the heterogeneity in the MSCs subpopulation then methodically see how each heterogenous population is being impacted by the changes in lipid profiles which could be linked to the functional behaviors of the cell.