Single-cell RNA sequencing has enabled the decomposition of complex tissues into functionally distinct cell types. Often, investigators wish to assign cells to cell types through unsupervised clustering followed by manual annotation or via ‘mapping’ to existing data. However, manual interpretation scales poorly to large datasets, mapping approaches require purified or pre-annotated data and both are prone to batch effects. To overcome these issues, we present CellAssign, a probabilistic model that leverages prior knowledge of cell-type marker genes to annotate single-cell RNA sequencing data into predefined or de novo cell types. CellAssign automates the process of assigning cells in a highly scalable manner across large datasets while controlling for batch and sample effects. We demonstrate the advantages of CellAssign through extensive simulations and analysis of tumor microenvironment composition in high-grade serous ovarian cancer and follicular lymphoma. CellAssign uses a probabilistic model to assign single cells to a given cell type defined by known marker genes, enabling automated annotation of cell types present in a tumor microenvironment.

Identifying transcript location in cells Identifying where specific RNAs occur within a cell or tissue has been limited by technology and imaging capabilities. Expansion microscopy has allowed for better visualization of small structures by expanding the tissues with a polymer- and hydrogel-based system. Alon et al. combined expansion microscopy with long-read in situ RNA sequencing, resulting in a more precise visualization of the location of specific transcripts. This method, termed “ExSeq” for expansion sequencing, was used to detect RNAs, both new transcripts and those previously demonstrated to localize to neuronal dendrites. Unlike other in situ sequencing methods, ExSeq does not target sets of genes. This technology thus unites spatial resolution, multiplexing, and an unbiased approach to reveal insights into RNA localization and its physiological roles in developing and active tissue. Science , this issue p. eaax2656

Genomic alterations shape cell phenotypes and the structure of tumor ecosystems in poorly defined ways. To investigate these relationships, we used imaging mass cytometry to quantify the expression of 37 proteins with subcellular spatial resolution in 483 tumors from the METABRIC cohort. Single-cell analysis revealed cell phenotypes spanning epithelial, stromal and immune types. Distinct combinations of cell phenotypes and cell–cell interactions were associated with genomic subtypes of breast cancer. Epithelial luminal cell phenotypes separated into those predominantly impacted by mutations and those affected by copy number aberrations. Several features of tumor ecosystems, including cellular neighborhoods, were linked to prognosis, illustrating their clinical relevance. In summary, systematic analysis of single-cell phenotypic and spatial correlates of genomic alterations in cancer revealed how genomes shape both the composition and architecture of breast tumor ecosystems and will enable greater understanding of the phenotypic impact of genomic alterations. Bodenmiller and colleagues pair imaging mass cytometry with data from the METABRIC cohort to define single-cell phenotypic and genomic features of breast cancer with spatial context, finding associations with breast cancer subtypes and prognosis.

Single-cell RNA sequencing (scRNA-seq) has transformed biomedical research, enabling decomposition of complex tissues into disaggregated, functionally distinct cell types. For many applications, investigators wish to identify cell types with known marker genes. Typically, such cell type assignments are performed through unsupervised clustering followed by manual annotation based on these marker genes, or via "mapping" procedures to existing data. However, the manual interpretation required in the former case scales poorly to large datasets, which are also often prone to batch effects, while existing data for purified cell types must be available for the latter. Furthermore, unsupervised clustering can be error-prone, leading to under- and over- clustering of the cell types of interest. To overcome these issues we present CellAssign, a probabilistic model that leverages prior knowledge of cell type marker genes to annotate scRNA-seq data into pre-defined and de novo cell types. CellAssign automates the process of assigning cells in a highly scalable manner across large datasets while simultaneously controlling for batch and patient effects. We demonstrate the analytical advantages of CellAssign through extensive simulations and exemplify real-world utility to profile the spatial dynamics of high-grade serous ovarian cancer and the temporal dynamics of follicular lymphoma. Our analysis reveals subclonal malignant phenotypes and points towards an evolutionary interplay between immune and cancer cell populations with cancer cells escaping immune recognition.

Tumour fitness landscapes underpin selection in cancer, impacting etiology, evolution and response to treatment. Progress in defining fitness landscapes has been impeded by a lack of timeseries perturbation experiments over realistic intervals at single cell resolution. We studied the nature of clonal dynamics induced by genetic and pharmacologic perturbation with a quantitative fitness model developed to ascribe quantitative selective coefficients to individual cancer clones, enable prediction of clone-specific growth potential, and forecast competitive clonal dynamics over time. We applied the model to serial single cell genome ( > 60,000 cells) and transcriptome ( > 58,000 cells) experiments ranging from 10 months to 2.5 years in duration. We found that genetic perturbation of TP53 in epithelial cell lines induces multiple forms of copy number alteration that confer increased fitness to clonal populations with measurable consequences on gene expression. In patient derived xenografts, predicted selective coefficients accurately forecasted clonal competition dynamics, that were validated with timeseries sampling of experimentally engineered mixtures of low and high fitness clones. In cisplatin-treated patient derived xenografts, the fitness landscape was inverted in a time-dependent manner, whereby a drug resistant clone emerged from a phylogenetic lineage of low fitness clones, and high fitness clones were eradicated. Moreover, clonal selection mediated reversible drug response early in the selection process, whereas late dynamics in genomically fixed clones were associated with transcriptional plasticity on a fixed clonal genotype. Together, our findings outline causal mechanisms with implication for interpreting how mutations and multi-faceted drug resistance mechanisms shape the etiology and cellular fitness of human cancers.

ABSTRACT Structural genome alterations are determinants of cancer ontogeny and therapeutic response. While bulk genome sequencing has enabled delineation of structural variation (SV) mutational processes which generate patterns of DNA damage, we have little understanding of how these processes lead to cell-to-cell variations which underlie selection and rates of accrual of different genomic lesions. We analysed 309 high grade serous ovarian and triple negative breast cancer genomes to determine their mutational processes, selecting 22 from which we sequenced >22,000 single cell whole genomes across a spectrum of mutational processes. We show that distinct patterns of cell-to-cell variation in aneuploidy, copy number alteration (CNA) and segment length occur in homologous recombination deficiency (HRD) and fold-back inversion (FBI) phenotypes. Widespread aneuploidy through induction of HRD through BRCA1 and BRCA2 inactivation was mirrored by continuous whole genome duplication in HRD tumours, contrasted with early ploidy fixation in FBI. FBI tumours exhibited copy number distributions skewed towards gains, widespread clone-specific variation in amplitude of high-level amplifications, often impacting oncogenes, and break-point variability consistent with progressive genomic diversification, which we termed serriform structural variation (SSV). SSVs were consistent with a CNA-based molecular clock reflecting a continual and distributed process across clones within tumours. These observations reveal previously obscured genome plasticity and evolutionary properties with implications for cancer evolution, therapeutic targeting and response.

Abstract Cancer genomes exhibit extensive chromosomal copy number changes and structural variation, yet how allele specific alterations drive cancer genome evolution remains unclear. Here, through application of a new computational approach we report allele specific copy number alterations in 11,097 single cell whole genomes from genetically engineered mammary epithelial cells and 21,852 cells from high grade serous ovarian and triple negative breast cancers. Resolving single cell copy number profiles to individual alleles uncovered genomic background distributions of gains, losses and loss of heterozygosity, yielding evidence of positive selection of specific chromosomal alterations. In addition specific genomic loci in maternal and paternal alleles were commonly found to be altered in parallel with convergent phenotypic transcriptional effects. Finally we show that haplotype specific alterations trace the cyclical etiology of high level amplifications and reveal clonal haplotype decomposition of complex structures. Together, our results illuminate how allele and haplotype specific alterations, here determined across thousands of single cell cancer genomes, impact the etiology and evolution of structural variations in human tumours.

Abstract In situ imaging of biomolecular location with nanoscale resolution enables mapping of the building blocks of life throughout biological systems in normal and disease states. Expansion microscopy (ExM), by physically enlarging specimens in an isotropic fashion, enables nanoimaging on standard light microscopes. Key to ExM is the equipping of different kinds of molecule, with different kinds of anchoring moiety, so they can all be pulled apart by polymer swelling. Here we present a multifunctional anchor, an acrylate epoxide, that enables multiple kinds of molecules ( e.g., proteins and RNAs) to be equipped with anchors in a single experimental step. This reagent simplifies ExM protocols and greatly reduces cost (by 2-10 fold for a typical multiplexed ExM experiment) compared to previous strategies for equipping RNAs with anchors. We show that this unified ExM (uniExM) protocol can be used to preserve and visualize RNA transcripts, proteins in biologically relevant ultrastructure, and sets of RNA transcripts in patient-derived xenograft (PDX) cancer tissues, and can support the visualization of other kinds of biomolecular species as well. Thus, uniExM may find many uses in the simple, multimodal nanoscale analysis of cells and tissues.

Abstract We propose PhylEx: a clonal-tree reconstruction method that integrates bulk genomics and single-cell transcriptomics data. In addition to the clonal-tree, PhylEx also assigns single-cells to clones, which effectively produce clonal expression profiles, and generates clonal genotypes. By analyzing scRNA-seq integrated with bulk DNA-seq, PhylEx can take advantage of co-occurrences of the mutations found in the cells. In the probabilistic model underlying PhylEx, the raw read counts from scRNA-seq follow a mixture of Beta-Binomial distributions, which accounts for the sparse nature of single-cell gene expression data; the mixture lessens the penalty caused by mutations not observed due to mono-allelic expression. We rigorously evaluated PhylEx on simulated datasets as well as a biological dataset consisting of a previously well-characterized high-grade serous ovarian cancer (HGSOC) cell line. PhylEx outperformed the state-of-the-art methods by a wide margin both when comparing capacity for clonal-tree reconstruction and capacity for correctly clustering mutations. By analyzing HGSOC and HER2+ breast cancer data, we also show that PhylEx clears the way for phylo-phenotypic analysis of cancer, i.e., that the clonal expression profiles, induced by the cell-to-clone assignments, can be exploited in a manner beyond what is possible with only expression-based clustering.

Abstract Cancer-associated mutations have been documented in normal tissues, but the prevalence and nature of somatic copy number alterations and their role in tumor initiation and evolution is not well understood. Here, using single cell DNA sequencing, we describe the landscape of CNAs in >42,000 breast epithelial cells from women with normal or high risk of developing breast cancer. Accumulation of individual cells with one or two of a specific subset of CNAs (e.g. 1q gain and 16q, 22q, 7q, and 10q loss) is detectable in almost all breast tissues and, in those from BRCA1 or BRCA2 mutations carriers, occurs prior to loss of heterozygosity (LOH) of the wildtype alleles. These CNAs, which are among the most common associated with ductal carcinoma in situ (DCIS) and malignant breast tumors, are enriched almost exclusively in luminal cells not basal myoepithelial cells. Allele-specific analysis of the enriched CNAs reveals that each allele was independently altered, demonstrating convergent evolution of these CNAs in an individual breast. Tissues from BRCA1 or BRCA2 mutation carriers contain a small percentage of cells with extreme aneuploidy, featuring loss of TP53 , LOH of BRCA1 or BRCA2 , and multiple breast cancer-associated CNAs in addition to one or more of the common CNAs in 1q, 10q or 16q. Notably, cells with intermediate levels of CNAs are not detected, arguing against a stepwise gradual accumulation of CNAs. Overall, our findings demonstrate that chromosomal alterations in normal breast epithelium partially mirror those of established cancer genomes and are chromosome- and cell lineage-specific.