Lung cancer is the world’s leading cause of cancer death and shows strong ancestry disparities. By sequencing and assembling a large genomic and transcriptomic dataset of lung adenocarcinoma (LUAD) in individuals of East Asian ancestry (EAS; n = 305), we found that East Asian LUADs had more stable genomes characterized by fewer mutations and fewer copy number alterations than LUADs from individuals of European ancestry. This difference is much stronger in smokers as compared to nonsmokers. Transcriptomic clustering identified a new EAS-specific LUAD subgroup with a less complex genomic profile and upregulated immune-related genes, allowing the possibility of immunotherapy-based approaches. Integrative analysis across clinical and molecular features showed the importance of molecular phenotypes in patient prognostic stratification. EAS LUADs had better prediction accuracy than those of European ancestry, potentially due to their less complex genomic architecture. This study elucidated a comprehensive genomic landscape of EAS LUADs and highlighted important ancestry differences between the two cohorts. Genomic and transcriptomic analysis of lung adenocarcinoma (LUAD) in Asia indicates that Asian LUADs have fewer mutations, lower driver prevalence and fewer copy number alterations than European LUADs.

Abstract Spatially resolved transcriptomics involves a set of emerging technologies that enable the transcriptomic profiling of tissues with the physical location of expressions. Although a variety of methods have been developed for data integration, most of them are for single-cell RNA-seq datasets without consideration of spatial information. Thus, methods that can integrate spatial transcriptomics data from multiple tissue slides, possibly from multiple individuals, are needed. Here, we present PRECAST, a data integration method for multiple spatial transcriptomics datasets with complex batch effects and/or biological effects between slides. PRECAST unifies spatial factor analysis simultaneously with spatial clustering and embedding alignment, while requiring only partially shared cell/domain clusters across datasets. Using both simulated and four real datasets, we show improved cell/domain detection with outstanding visualization, and the estimated aligned embeddings and cell/domain labels facilitate many downstream analyses. We demonstrate that PRECAST is computationally scalable and applicable to spatial transcriptomics datasets from different platforms.

Abstract Dimension reduction and (spatial) clustering is usually performed sequentially; however, the low-dimensional embeddings estimated in the dimension-reduction step may not be relevant to the class labels inferred in the clustering step. We therefore developed a computation method, Dimension-Reduction Spatial-Clustering (DR-SC), that can simultaneously perform dimension reduction and (spatial) clustering within a unified framework. Joint analysis by DR-SC produces accurate (spatial) clustering results and ensures the effective extraction of biologically informative low-dimensional features. DR-SC is applicable to spatial clustering in spatial transcriptomics that characterizes the spatial organization of the tissue by segregating it into multiple tissue structures. Here, DR-SC relies on a latent hidden Markov random field model to encourage the spatial smoothness of the detected spatial cluster boundaries. Underlying DR-SC is an efficient expectation-maximization algorithm based on an iterative conditional mode. As such, DR-SC is scalable to large sample sizes and can optimize the spatial smoothness parameter in a data-driven manner. With comprehensive simulations and real data applications, we show that DR-SC outperforms existing clustering and spatial clustering methods: it extracts more biologically relevant features than conventional dimension reduction methods, improves clustering performance, and offers improved trajectory inference and visualization for downstream trajectory inference analyses.

Abstract Motivation Spatially resolved transcriptomics (SRT) technologies have been developed to simultaneously profile gene expression while retaining physical information. To explore differentially expressed genes using SRT in the context of various conditions, statistical methods are needed to perform spatial differential expression analysis. Results We propose that a new probabilistic framework, spatialDEG, can perform differential expression analysis by leveraging spatial information on gene expression with spatial information. SpatialDEG utilizes the average information algorithm and can be scalable to tens of thousands of genes. Comprehensive simulations demonstrated that spatialDEG can identify genes differentially expressed in tissues across different conditions with a controlled type-I error rate. We further applied spatialDEG to analyze datasets for human dorsolateral prefrontal cortex and mouse whole liver. Availability The R package spatialDEG can be downloaded from https://github.com/Shufeyangyi2015310117/spatialDEG .

Abstract Objective Gastric cancer (GC) tumors are highly heterogenous with different subpopulations of epithelial cells. We employed single cell RNA sequencing (scRNA-seq) to dissect the heterogeneity and identified subpopulations of cancer cells with stem-like properties. We further investigated their resistance to oxaliplatin chemotherapy and their contribution to gastric cancer outcome. Design We performed scRNA-seq on FACS sorted epithelial and immune cells from paired samples of GC tumors and normal adjacent tissues. We identified two epithelial subpopulations (STMN1 + IQGAP3 + and STMN1 + IQGAP3 − ) with stem-like properties. We characterized and compared them to known healthy gastric stem cell populations. We also cultivated GC derived organoids to study the chemoresistance of similarly marked populations. Lastly, we employed immunohistochemistry (IHC) staining to ascertain the predicted immunosuppressive interactions. Results The STMN1 + IQGAP3 + subpopulation showed a higher tumor mutation burden, upregulated proliferative pathways and transcriptomically resembled proliferative healthy gastric isthmus stem cells. The STMN1 + IQGAP3 − subpopulation were comparatively quiescent and transcriptomically resembled enteroendocrine cells. Both transcriptomic signatures were associated with worse mortality than other epithelial subpopulations with the quiescent being associated with the poorest patient survival. GC tissue derived organoids were dominated by STMN1 + IQGAP3 + cells but the STMN1 + IQGAP3 − compartment was more resistant to chemotherapy. We also verified the likely suppression of CD8 T cell cytotoxicity by STMN1 + IQGAP3 + cells through the NECTIN2/TIGIT interaction. Conclusions Cancer cells with stem-like characteristics are associated with poor survival through chemoresistance and immunosuppression. Reactivating the immune system through checkpoint blockade is an opportunity to eliminate these cells. What is already known on this topic Multiple gastric stem cell populations have been identified and linked to tumor initiation in rodent-based studies. However, none of them have been conclusively proven in human tumors. Isolating and characterizing tumor cells with stem-like properties will help shed light on their possible origin and possible mitigation strategies. What this study adds Here we identified two sets of stem-like gastric cancer cells that are associated with poorer patient prognosis. One set is highly proliferative and exhibits oxaliplatin susceptibility. It also engages in immunosuppressive interactions such as NECTIN2/TIGIT. The other set is quiescent and highly resistant to oxaliplatin. How this study might affect research, practice or policy The transcriptome signatures of the identified stem-like cells can aid in patient prognosis and identify patients who can benefit from checkpoint blockade therapy to reactivate their immune response towards gastric cancer cells.

Abstract Growing evidence supports the importance of understanding tumor-immune spatial relationship in the tumor microenvironment in order to achieve precision cancer therapy. However, existing methods, based on oversimplistic cell-to-cell proximity, are largely confounded by immune cell density and are ineffective in capturing tumor-immune spatial patterns. Here we developed a novel computational algorithm, termed Tumor-Immune Partitioning and Clustering (TIPC), to offer an effective solution for spatially informed tumor subtyping. Our method could measure the extent of immune cell partitioning between tumor epithelial and stromal areas as well as the degree of immune cell clustering. Using a U.S. nation-wide colorectal cancer database, we showed that TIPC could determine tumor subtypes with unique tumor-immune spatial patterns that were significantly associated with patient survival and key tumor molecular features. We also demonstrated that TIPC was robust to parameter settings and readily applicable to different immune cell types. The capability of TIPC in delineating clinically relevant patient subtypes that encapsulate tumor-immune spatial relationship, immune density, and tumor morphology is expected to shed light on underlying immune mechanisms. Hence, TIPC can be a useful bioinformatics tool for effective characterization of the spatial composition of the tumor-immune microenvironment to inform precision immunotherapy.

e14657 Background: Spatial multi-omics approaches, including spatial transcriptomics (ST) and spatial proteomics (SP), that elucidate the complex tissue microenvironment (TME) are gaining traction in cancer research studies. However, combining these approaches onto one tissue section remains challenging. ST methods visualize, locate and quantify RNA targets, evaluating the transcriptome of the TME at the subcellular level while SP methods stain and visualize protein biomarkers at the cellular level. Here we show a pipeline that combines these ST and SP methods with Hematoxylin and Eosin (H&E) approach on a single tissue section to achieve single slide multi-omics data with high resolution tissue morphology images. Methods: 5µm formalin-fixed paraffin-embedded sections of human lung cancer samples were placed on a Xenium (10x Genomics, Pleasanton, CA) slides and treated to expose RNA molecules. Probe hybridization was performed with a human lung panel kit containing 289 barcoded DNA padlock probes. Downstream ligation and amplification generated copies of the barcode and thereafter, the Xenium Analyzer performed imaging and data collection. The same tissue section was then stained and imaged in COMET (Lunaphore Technologies SA, Switzerland) using sequential immunofluorescence (seqIF) method to detect 40 protein targets in situ. Serial sections of the specimens were used for direct H&E and seqIF staining for comparative validation. Results: Multi-omics images generated from Xenium and COMET were overlayed, jointly analyzed and interpreted. Staining specificity of the protein targets for the post-Xenium slides remain comparable with the direct COMET-stained slide. 40-plex COMET staining intensity in post-Xenium slide was minimally weaker compared to direct COMET-stained slide. Additionally, H&E staining of the post-Xenium/COMET slide and direct COMET-stained slide were comparable to the direct H&E-stained section, demonstrating discernable tissue landscape features despite a fainter hematoxylin stain. Overall, tissue integrity and cell morphology were well-preserved across the different workflows performed on each section, and the protein targets remain relatively stable for labelling after in situ RNA detection process. Conclusions: We present a pipeline that combines two spatial omics approaches with the diagnostic standard H&E staining on a single tissue section, allowing the same cells to be assessed for their histological, proteomic, and transcriptomic information. A visual comparison of images showed minimal compromise to cellular morphology and protein stability at the end of the pipeline compared to direct staining of serial sections. This pipeline could be potentially generalized to most of the ST and SP approaches, thus advancing multi-omics cancer research and potentially clinical diagnostics in the future.

Signaling between cancer and nonmalignant (stromal) cells in the tumor microenvironment (TME) is key to tumorigenesis yet challenging to decipher from tumor transcriptomes. Here, we report an unbiased, data-driven approach to deconvolute bulk tumor transcriptomes and predict crosstalk between ligands and receptors on cancer and stromal cells in the TME of solid tumor types. Our approach recovers known transcriptional hallmarks of cancer and stromal cells and is concordant with single-cell and immunohistochemistry data, underlining its robustness. Pan-cancer analysis reveals previously unrecognized features of cancer stromal crosstalk. We find that autocrine cancer cell cross-talk varied between tissues but often converged on known cancer signaling pathways. In contrast, many stromal cross-talk interactions were highly conserved across tumor types. Interestingly, the immune checkpoint ligand PD-L1 was overexpressed in stromal rather than cancer cells across all tumor types. Moreover, we predicted and experimentally validated aberrant ligand and receptor expression in cancer cells of basal and luminal breast cancer, respectively. Collectively, our findings validate a data-driven method for tumor transcriptome deconvolution and establishes a new resource for hypothesis generation and downstream functional interrogation of the TME in tumorigenesis and disease progression.

Abstract Immunotherapy interventions relies heavily on neoantigen availability. The human genome encodes non-canonical/mutant proteins that potentially contain neoantigenic peptides. Nevertheless, their typically low expression, potentially moderated by the Nonsense-Mediated Decay (NMD) pathway, restricts their therapeutic utility. In this study, we explored the NMD pathway influence on non-canonical/mutant protein expression, specifically focusing on UPF1 knockdown. We implemented proteogenomic approaches to ascertain if the encoding transcripts and their respective proteins were upregulated post-knockdown. Complementary to this, we conducted a comprehensive pan-cancer survey of UPF1 expression and an in vivo evaluation of UPF1 expression in Triple-Negative Breast Cancer (TNBC) tissue. Our empirical results delineated that UPF1 knockdown precipitates an increase in the transcription of non-canonical/mutant proteins, especially those originating from retained-introns, pseudogenes, long non-coding RNAs, and unannotated biotypes. Furthermore, the analysis revealed that UPF1 expression was conspicuously high across a range of neoplastic tissues, with protein levels notably amplified in patient derived TNBC tumours in comparison to adjacent tissues. Our study elucidates UPF1 functional role in attenuating transcriptional noise through the degradation of transcripts encoding non-canonical/mutant proteins. Interestingly, we observed an upregulation of the NMD pathway in cancer, potentially functioning as a “neoantigen masking” mechanism that subdues non-canonical/mutant protein expression. Suppressing this mechanism may unveil a new cadre of neoantigens accessible to the antigen presentation pathway. Our novel findings proffer a solid base for devising therapeutic strategies targeting UPF1 or the NMD pathway, given the pronounced presence of UPF1 in malignant cells, thus potentially augmenting immunotherapeutic responses in cancer.