SUMMARY Proliferation is a fundamental trait of cancer cells but is poorly characterized in tumors by classical histologic methods. We use multiplexed tissue imaging to quantify the abundance of multiple cell cycle regulating proteins at single-cell level and develop robust multivariate proliferation metrics. Across cancers, the proliferative architecture is organized at two distinct spatial scales: large domains, and local niches enriched for specific immune lineages. A subset of tumor cells express cell cycle regulators in canonical patterns consistent with unrestrained proliferation, a phenomenon we refer to as “cell cycle coherence”. By contrast, the cell cycles of other tumor cell populations are skewed toward a specific phase or characterized by non-canonical (incoherent) marker combinations. Coherence varies across space, with changes in oncogene activity, and with therapeutic intervention, and is associated with aggressive behavior. Multivariate measures capture clinically significant features of cancer proliferation, a fundamental step in enabling more precise use of anti-cancer therapies.

ABSTRACT Lymphocytes play a key role in immune surveillance of tumors, but our understanding of the spatial organization and physical interactions that facilitate lymphocyte anti-cancer functions is limited. Here, we used multiplexed imaging, quantitative spatial analysis, and machine learning to create high-definition maps of tumor-bearing lung tissues from a Kras/p53 (KP) mouse model and human resections. Networks of directly interacting lymphocytes (‘lymphonets’) emerge as a distinctive feature of the anti-cancer immune response. Lymphonets nucleate from small T-cell clusters and incorporate B cells with increasing size. CXCR3-mediated trafficking modulates lymphonet size and number, but neoantigen expression directs intratumoral localization. Lymphonets preferentially harbor TCF1+/PD1+ progenitor CD8 T cells involved in responses to immune checkpoint blockade (ICB). Upon treatment of mice with ICB therapy or a neoantigen-targeted vaccine, lymphonets retain progenitor and gain cytotoxic CD8 T-cell populations, likely via progenitor differentiation. These data show that lymphonets create a spatial environment supportive of CD8 T-cell anti-tumor responses.

Abstract New highly-multiplexed imaging technologies have enabled the study of tissues in unprecedented detail. These methods are increasingly being applied to understand how cancer cells and immune response change during tumor development, progression, and metastasis, as well as following treatment. Yet, existing analysis approaches focus on investigating small tissue samples on a per-cell basis, not taking into account the spatial proximity of cells, which indicates cell-cell interaction and specific biological processes in the larger cancer microenvironment. We present Visinity, a scalable visual analytics system to analyze cell interaction patterns across cohorts of whole-slide multiplexed tissue images. Our approach is based on a fast regional neighborhood computation, leveraging unsupervised learning to quantify, compare, and group cells by their surrounding cellular neighborhood. These neighborhoods can be visually analyzed in an exploratory and confirmatory workflow. Users can explore spatial patterns present across tissues through a scalable image viewer and coordinated views highlighting the neighborhood composition and spatial arrangements of cells. To verify or refine existing hypotheses, users can query for specific patterns to determine their presence and statistical significance. Findings can be interactively annotated, ranked, and compared in the form of small multiples. In two case studies with biomedical experts, we demonstrate that Visinity can identify common biological processes within a human tonsil and uncover novel white-blood cell networks and immune-tumor interactions.

Early characterization of drug targets associated with disease can greatly reduce clinical failures attributed to lack of safety or efficacy. As single-cell RNA sequencing (scRNA-seq) of human tissues becomes increasingly common for disease profiling, the insights obtained from this data could influence target selection strategies. Whilst the use of scRNA-seq to understand target biology is well established, the impact of single-cell data in increasing the probability of candidate therapeutic targets to successfully advance from research to clinic has not been fully characterized. Inspired by previous work on an association between genetic evidence and clinical success, we used retrospective analysis of known drug target genes to identify potential predictors of target clinical success from scRNA-seq data. Particularly, we investigated whether successful drug targets are associated with cell type specific expression in a disease-relevant tissue (cell type specificity) or cell type specific over-expression in disease patients compared to healthy controls (disease cell specificity). Analysing scRNA-seq data across 30 diseases and 13 tissues, we found that both classes of scRNA-seq support significantly increase the odds of clinical success for gene-disease pairs. We estimate that combined they could approximately triple the chances of a target reaching phase III. Importantly, scRNA-seq analysis identifies a larger and complementary target space to that of direct genetic evidence. In particular, scRNA-seq support is more likely to prioritize therapeutically tractable classes of genes such as membrane-bound proteins. Our study suggests that scRNA-seq-derived information on cell type- and disease-specific expression can be leveraged to identify tractable and disease-relevant targets, with increased probability of success in the clinic.

Single-cell RNA sequencing (scRNA-seq) data has elevated our understanding of systemic perturbations to organismal physiology at the individual cell level. However, despite the rich information content of scRNA-seq data, the relevance of genes to a perturbation is still commonly assessed through differential expression analysis. This approach provides a one-dimensional perspective of the transcriptomic landscape, risking the oversight of tightly controlled genes characterized by modest changes in expression but with profound downstream effects. We present GENIX (Gene Expression Network Importance eXamination), a novel platform for constructing gene association networks, equipped with an innovative network-based comparative model to uncover condition-relevant genes. To demonstrate the effectiveness of GENIX, we analyze influenza vaccine-induced immune responses in peripheral blood mononuclear cells (PBMCs) collected from recovered COVID-19 patients, shedding light on the mechanistic underpinnings of gender differences. Our methodology offers a promising avenue to identify genes relevant to perturbation responses in biological systems, expanding the scope of response signature discovery beyond differential gene expression analysis.

Single-cell RNA sequencing (scRNA-seq) has transformed our understanding of cellular responses to perturbations such as therapeutic interventions and vaccines. Gene relevance to such perturbations is often assessed through differential expression analysis (DEA), which offers a one-dimensional view of the transcriptomic landscape. This method potentially overlooks genes with modest expression changes but profound downstream effects and is susceptible to false positives. We present GENIX (gene expression network importance examination), a computational framework that transcends DEA by constructing gene association networks and employing a network-based comparative model to identify topological signature genes. We benchmark GENIX using both synthetic and experimental datasets, including analysis of influenza vaccine-induced immune responses in peripheral blood mononuclear cells (PBMCs) from recovered COVID-19 patients. GENIX successfully emulates key characteristics of biological networks and reveals signature genes that are missed by classical DEA, thereby broadening the scope of target gene discovery in precision medicine.

Abstract The ESR1 ligand binding domain activating mutations are the most prevalent genetic mechanism of acquired endocrine resistance in metastatic hormone receptor-positive breast cancer. These mutations confer endocrine resistance that remains estrogen receptor (ER) dependent. We hypothesized that in the presence of the ER mutations, continued ER blockade with endocrine therapies that target mutant ER is essential for tumor suppression even with chemotherapy treatment. Here, we conducted comprehensive pre-clinical in vitro and in vivo experiments testing the efficacy of adding fulvestrant to fluorouracil (5FU) and the 5FU pro-drug, capecitabine, in models of wild-type (WT) and mutant ER. Our findings revealed that while this combination had an additive effect in the presence of WT-ER, in the presence of the Y537S ER mutation there was synergy. Notably, these effects were not seen with the combination of 5FU and selective estrogen receptor modulators, such as tamoxifen, or in the absence of intact P53. Likewise, in a patient-derived xenograft (PDX) harboring a Y537S ER mutation the addition of fulvestrant to capecitabine potentiated tumor suppression. Moreover, multiplex immunofluorescence revealed that this effect was due to decreased cell proliferation in all cells expressing ER and was not dependent on the degree of ER expression. Taken together, these results support the clinical investigation of the combination of ER antagonists with capecitabine in patients with metastatic hormone receptor-positive breast cancer who have experienced progression on endocrine therapy and targeted therapies, particularly in the presence of an ESR1 activating mutation.

In this data descriptor, we document a dataset of multiplexed immunofluorescence images and derived single-cell measurements of immune lineage and other markers in formaldehyde-fixed and paraffin-embedded (FFPE) human tonsil and lung cancer tissue. We used tissue cyclic immunofluorescence (t-CyCIF) to generate fluorescence images which we artifact corrected using the BaSiC tool, stitched and registered using the ASHLAR algorithm, and segmented using ilastik software and MATLAB. We extracted single-cell features from these images using HistoCAT software. The resulting dataset can be visualized using image browsers and analyzed using high-dimensional, single-cell methods. This dataset is a valuable resource for biological discovery of the immune system in normal and diseased states as well as for the development of multiplexed image analysis and viewing tools.

Abstract Amyotrophic lateral sclerosis (ALS) is a progressive neurodegenerative disease that causes motor neuron loss in the brain and spinal cord. Neuroinflammation driven by activated microglia and astrocytes is prominent in ALS, but an understanding of cell state dynamics and which pathways contribute to the disease remains unclear. Single nucleus RNA sequencing of ALS spinal cords demonstrated striking changes in glial cell states, including increased expression of inflammatory and glial activation markers. Many of these signals converged on RIPK1 and the necroptotic cell death pathway. Activation of the necroptosis pathway in ALS spinal cords was confirmed in a large bulk RNA sequencing dataset and at the protein level. Blocking RIPK1 kinase activity delayed symptom onset and motor impairment and modulated glial responses in SOD1 G93A mice. We used a human iPSC-derived motor neuron, astrocyte, and microglia tri-culture system to identify potential biomarkers secreted upon RIPK1 activation, inhibited pharmacologically in vitro , and modulated in the CSF of people with ALS treated with a RIPK1 inhibitor. These data reveal ALS-enriched glial populations associated with inflammation and suggest a deleterious role for neuroinflammatory signaling in ALS pathogenesis.