Summary Identifying functionally important cell states and structure within a heterogeneous tumor remains a significant biological and computational challenge. Moreover, current clustering or trajectory-based computational models are ill-equipped to address the notion that cancer cells reside along a phenotypic continuum. To address this, we present Archetypal Analysis network (AAnet), a neural network that learns key archetypal cell states within a phenotypic continuum of cell states in single-cell data. Applied to single-cell RNA sequencing data from pre-clinical models and a cohort of 34 clinical breast cancers, AAnet identifies archetypes that resolve distinct biological cell states and processes, including cell proliferation, hypoxia, metabolism and immune interactions. Notably, archetypes identified in primary tumors are recapitulated in matched liver, lung and lymph node metastases, demonstrating that a significant component of intratumoral heterogeneity is driven by cell intrinsic properties. Using spatial transcriptomics as orthogonal validation, AAnet-derived archetypes show discrete spatial organization within tumors, supporting their distinct archetypal biology. We further reveal that ligand:receptor cross-talk between cancer and adjacent stromal cells contributes to intra-archetypal biological mimicry. Finally, we use AAnet archetype identifiers to validate GLUT3 as a critical mediator of a hypoxic cell archetype harboring a cancer stem cell population, which we validate in human triple-negative breast cancer specimens. AAnet is a powerful tool to reveal functional cell states within complex samples from multimodal single-cell data.

Using high-throughput single-cell B-cell receptor sequencing (scBCR-seq) we obtained accurately paired full-length heavy- and light-chain variable domains from thousands of individual B cells in a massively parallel fashion. We sequenced more than 250,000 B cells from rat, mouse and human repertoires to characterize their lineages and expansion. In addition, we immunized rats with chicken ovalbumin and profiled antigen-reactive B cells from lymph nodes of immunized animals. The scBCR-seq data recovered 81% (n = 56/69) of B-cell lineages identified from hybridomas generated from the same set of B cells that were subjected to scBCR-seq. Importantly, scBCR-seq identified an additional 710 candidate lineages that were not recovered as hybridomas. We synthesized, expressed and tested 93 clones from the identified lineages and found that 99% (n = 92/93) of the clones were antigen-reactive. Our results establish scBCR-seq as a powerful tool for antibody discovery.

Abstract Cell fate is commonly studied by profiling the gene expression of single cells to infer developmental trajectories based on expression similarity, RNA velocity, or statistical mechanical properties. However, current approaches do not recover microenvironmental signals from the cellular niche that drive a differentiation trajectory. We resolve this with environment-aware trajectory inference (ENTRAIN), a computational method that integrates trajectory inference methods with ligand-receptor pair gene regulatory networks to identify extracellular signals and evaluate their relative contribution towards a differentiation trajectory. The output from ENTRAIN can be superimposed on spatial data to co-localize cells and molecules in space and time to map cell fate potentials to cell-cell interactions. We validate and benchmark our approach on single-cell bone marrow and spatially resolved embryonic neurogenesis datasets to identify known and novel environmental drivers of cellular differentiation. ENTRAIN is available as a public package at https://github.com/theimagelab/entrain and can be used on both single-cell and spatially resolved datasets.

The accurate identification of low-frequency variants in tumors remains an unsolved problem. To support characterization of the issues in a realistic setting, we have developed software tools and a reference dataset for diagnosing variant calling pipelines. The dataset contains millions of variants at frequencies ranging from 0.05 to 1.0. To generate the dataset, we performed whole-genome sequencing of a mixture of two Corriel cell lines, NA19240 and NA12878, the mothers of YRI (Y) and CEU (C) HapMap trios, respectively. The cells were mixed in three different proportions, 10Y/90C, 50Y/50C and 90Y/10C, in an effort to simulate the heterogeneity found in tumor samples. We sequenced three biological replicates for each mixture, yielding approximately 1.4 billion reads per mixture for an average of 64X coverage. Using the published genotypes as our reference, we evaluate the performance of a general variant calling algorithm, constructed as a demonstration of our flexible toolset, and make comparisons to a standard GATK pipeline. We estimate the overall FDR to be 0.028 and the FNR (when coverage exceeds 20X) to be 0.019 in the 50Y/50C mixture. Interestingly, even with these relatively well studied individuals, we predict over 475,000 new variants, validating in well-behaved coding regions at a rate of 0.97, that were not included in the published genotypes.

How satellite cells and their progenitors balance differentiation and self-renewal to achieve sustainable tissue regeneration is not well understood. A major roadblock to understanding satellite cell fate decisions has been the difficulty to study this process in vivo. By visualizing expression dynamics of myogenic transcription factors during early regeneration in vivo, we identified the time point at which cells undergo decisions to differentiate or self-renew. Single-cell RNA sequencing revealed heterogeneity of satellite cells during both muscle homeostasis and regeneration, including a subpopulation enriched in Notch2 receptor expression. Furthermore, we reveal that differentiating cells express the Dll1 ligand. Using antagonistic antibodies we demonstrate that the DLL1 and NOTCH2 signaling pair is required for satellite cell self-renewal. Thus, differentiating cells provide the self-renewing signal during regeneration, enabling proportional regeneration in response to injury while maintaining the satellite cell pool. These findings have implications for therapeutic control of muscle regeneration.