Abstract Fast and reliable detection of patients with severe and heterogeneous illnesses is a major goal of precision medicine 1,2 . Patients with leukaemia can be identified using machine learning on the basis of their blood transcriptomes 3 . However, there is an increasing divide between what is technically possible and what is allowed, because of privacy legislation 4,5 . Here, to facilitate the integration of any medical data from any data owner worldwide without violating privacy laws, we introduce Swarm Learning—a decentralized machine-learning approach that unites edge computing, blockchain-based peer-to-peer networking and coordination while maintaining confidentiality without the need for a central coordinator, thereby going beyond federated learning. To illustrate the feasibility of using Swarm Learning to develop disease classifiers using distributed data, we chose four use cases of heterogeneous diseases (COVID-19, tuberculosis, leukaemia and lung pathologies). With more than 16,400 blood transcriptomes derived from 127 clinical studies with non-uniform distributions of cases and controls and substantial study biases, as well as more than 95,000 chest X-ray images, we show that Swarm Learning classifiers outperform those developed at individual sites. In addition, Swarm Learning completely fulfils local confidentiality regulations by design. We believe that this approach will notably accelerate the introduction of precision medicine.

Abstract Identification of patients with life-threatening diseases including leukemias or infections such as tuberculosis and COVID-19 is an important goal of precision medicine. We recently illustrated that leukemia patients are identified by machine learning (ML) based on their blood transcriptomes. However, there is an increasing divide between what is technically possible and what is allowed because of privacy legislation. To facilitate integration of any omics data from any data owner world-wide without violating privacy laws, we here introduce Swarm Learning (SL), a decentralized machine learning approach uniting edge computing, blockchain-based peer-to-peer networking and coordination as well as privacy protection without the need for a central coordinator thereby going beyond federated learning. Using more than 14,000 blood transcriptomes derived from over 100 individual studies with non-uniform distribution of cases and controls and significant study biases, we illustrate the feasibility of SL to develop disease classifiers based on distributed data for COVID-19, tuberculosis or leukemias that outperform those developed at individual sites. Still, SL completely protects local privacy regulations by design. We propose this approach to noticeably accelerate the introduction of precision medicine.

Abstract Despite the epidemics of chronic obstructive pulmonary disease (COPD), the cellular and molecular mechanisms of this disease are far from being understood. Here, we characterize and classify the cellular composition within the alveolar space and peripheral blood of COPD patients and control donors using a clinically applicable single-cell RNA-seq technology corroborated by advanced computational approaches for: machine learning-based cell-type classification, identification of differentially expressed genes, prediction of metabolic changes, and modeling of cellular trajectories within a patient cohort. These high-resolution approaches revealed: massive transcriptional plasticity of macrophages in the alveolar space with increased levels of invading and proliferating cells, loss of MHC expression, reduced cellular motility, altered lipid metabolism, and a metabolic shift reminiscent of mitochondrial dysfunction in COPD patients. Collectively, single-cell omics of multi-tissue samples was used to build the first cellular and molecular framework for COPD pathophysiology as a prerequisite to develop molecular biomarkers and causal therapies against this deadly disease.

The clinical and therapeutic value of human in vitro generated monocyte-derived dendritic cell (moDC) and macrophages is well established. However, in line with recent findings regarding myeloid cell ontogeny and due to our limited understanding of their physiological counterparts, transcriptional regulation and heterogeneity, the full potential of these important cellular systems is still underestimated. In this study, we use cutting edge high-dimensional analysis methods to better understand the transcriptional organization, phenotypic heterogeneity and functional differences between human ex vivo isolated and in vitro generated mononuclear phagocytes with the aim to better realize their full potential in the clinic. We demonstrate that human monocytes activated by MCSF or GMCSF most closely resemble inflammatory macrophages identified in vivo, while IL4 signalling in the presence of GMCSF generates moDCs resembling inflammatory DCs in vivo, but not steady state cDC1 or cDC2. Moreover, these reprogramming regimes lead to activated monocytes that present with profoundly different transcriptomic, metabolic, phenotypic and functional profiles. Furthermore, we demonstrate that CD14+ monocytes are integrating multiple exogenous activation signals such as GMCSF and IL4 in a combinatorial and temporal fashion, resulting in a high-dimensional cellular continuum of reprogrammed monocytes dependent on the mode and timing of cytokine exposure. Utilizing nanostraw-based knockdown technology, we demonstrate that the IL4-dependent generation of moDCs relies on the induction, nuclear localization and function of the transcriptional regulator NCOR2. Finally, we unravel unappreciated heterogeneity within the clinically moDCs population and propose a novel high-dimensional phenotyping strategy to better tailor clinical quality control strategies for patient need and culture conditions to enhance therapeutic outcome.

Abstract Omics-based technologies are driving major advances in precision medicine but efforts are still required to consolidate their use in drug discovery. In this work, we exemplify the use of multi-omics to support the development of 3-chloropiperidines (3-CePs), a new class of candidate anticancer agents. Combined analyses of transcriptome and chromatin accessibility elucidated the mechanisms underlying sensitivity to test agents. Further, we implemented a new versatile strategy for the integration of RNA-seq and ATAC-seq data, able to accelerate and extend the standalone analyses of distinct omic layers. This platform guided the construction of a perturbation-informed basal signature able to predict cancer cell lines’ sensitivity and to further direct compound development against specific tumor types. Overall, this approach offered a scalable pipeline to support the early phases of drug discovery, understanding of mechanism and potentially inform the positioning of therapeutics in the clinic.

Summary Blastocyst-derived stem cell lines were shown to self-organize into embryo-like structures in 3D cell culture environments. Here, we provide evidence that synthetic embryo-like structures are generated solely based on transcription factor-mediated molecular reprogramming of embryonic stem cells in a simple 3D co-culture system. ESCs in these cultures self-organize into elongated, compartmentalized synthetic embryo-like structures over the course of reprogramming exhibiting anterior visceral endoderm formation and symmetry breaking. Single-cell RNA-Seq reveals transcriptional profiles resembling epiblast, visceral endoderm, and extraembryonic ectoderm of early murine embryos around E4.5–E5.5. Within the epiblast, compartment marker gene expression supports primordial germ cell specification. After transplantation, synthetic embryo-like structures implant in uteri and initiate the formation of decidual tissues. This system allows for fast and reproducible generation of synthetic embryo-like structures, providing further insights into synthetic embryology.