Numerous variants, including both single-nucleotide variants (SNVs) in DNA and A>G RNA edits in mRNA as essential drivers of cellular proliferation and tumorigenesis, are commonly associated with cancer progression and growth. Thus, mining and summarizing single-cell variants will provide a refined and higher-resolution view of cancer and further contribute to precision medicine. Here, we established a database, CanCellVar, which aims to provide and visualize the comprehensive atlas of single-cell variants in tumor microenvironment. The current CanCellVar identified ∼3 million variants (∼1.4 million SNVs and ∼1.4 million A>G RNA edits) involved in 2,754,531 cells of 5 major cell types across 37 cancer types. CanCellVar provides the basic annotation information as well as cellular and molecular function properties of variants. In addition, the clinical relevance of variants can be obtained including tumor grade, treatment, metastasis, and others. Several flexible tools were also developed to aid retrieval and to analyze cell-cell interactions, gene expression, cell-development trajectories, regulation, and molecular structure affected by variants. Collectively, CanCellVar will serve as a valuable resource for investigating the functions and characteristics of single-cell variations and their roles in human tumor evolution and treatment.

Abstract Long non-coding RNAs (lncRNAs) have emerged as significant players for maintaining the morphology and function of tissues or cells. The precise regulatory effectiveness of lncRNA is closely associated with the spatial expression patterns across tissues and cells. Here, we proposed the Cellular-Elevated LncRNA (LncCE) database to systematically explore cellular-elevated (CE) lncRNAs across normal and cancer tissues in single cells. LncCE encompasses 87,946 CE lncRNAs of 149 cell types by analyzing 181 single-cell RNA sequencing (scRNA-seq) datasets, involved in 20 fetal normal tissues, 59 adult normal tissues, as well as 32 adult and 5 pediatric cancer tissues.Two main search options were provided via a given lncRNA name or a cell type. The output results emphasize both qualitative and quantitative expression features of lncRNAs across different cell types, co-expression with protein-coding genes as well as their involved in biological functions. For cancers, LncCE particularly provided quantitative figures for exhibiting their expression changes compared to control samples and clinical associations with patient overall survivals. Together, LncCE offers an extensive, quantitative and user-friendly interface to investigate cellular-elevated expression atlas for lncRNAs across normal and cancers tissues at single-cell level. The LncCE database is available at http://bio-bigdata.hrbmu.edu.cn/LncCE .

Omics-based technologies have revolutionized our comprehension of microproteins encoded by ncRNAs, revealing their abundant presence and pivotal roles within complex functional landscapes. Here, we developed MicroProteinDB (http://bio-bigdata.hrbmu.edu.cn/MicroProteinDB), which offers and visualizes the extensive knowledge to aid retrieval and analysis of computationally predicted and experimentally validated microproteins originating from various ncRNA types. Employing prediction algorithms grounded in diverse deep learning approaches, MicroProteinDB comprehensively documents the fundamental physicochemical properties, secondary and tertiary structures, interactions with functional proteins, family domains, and inter-species conservation of microproteins. With five major analytical modules, it will serve as a valuable knowledge for investigating ncRNA-derived microproteins.