Abstract Image-based cell phenotyping relies on quantitative measurements as encoded representations of cells; however, defining suitable representations that capture complex imaging features is challenged by the lack of robust methods to segment cells, identify subcellular compartments, and extract relevant features. Variational autoencoder (VAE) approaches produce encouraging results by mapping an image to a representative descriptor, and outperform classical hand-crafted features for morphology, intensity, and texture at differentiating data. Although VAEs show promising results for capturing morphological and organizational features in tissue, single cell image analyses based on VAEs often fail to identify biologically informative features due to uninformative technical variation. Herein, we propose a multi-encoder VAE (ME-VAE) in single cell image analysis using transformed images as a self-supervised signal to extract transform-invariant biologically meaningful features, including emergent features not obvious from prior knowledge. We show that the proposed architecture improves analysis by making distinct cell populations more separable compared to traditional VAEs and intensity measurements by enhancing phenotypic differences between cells and by improving correlations to other analytic modalities.

SUMMARY The phenotype of a cell and its underlying molecular state is strongly influenced by extracellular signals, including growth factors, hormones, and extracellular matrix. While these signals are normally tightly controlled, their dysregulation leads to phenotypic and molecular states associated with diverse diseases. To develop a detailed understanding of the linkage between molecular and phenotypic changes, we generated a comprehensive dataset that catalogs the transcriptional, proteomic, epigenomic and phenotypic responses of MCF10A mammary epithelial cells after exposure to the ligands EGF, HGF, OSM, IFNG, TGFB and BMP2. Systematic assessment of the molecular and cellular phenotypes induced by these ligands comprise the LINCS Microenvironment (ME) perturbation dataset, which has been curated and made publicly available for community-wide analysis and development of novel computational methods ( synapse.org/LINCS_MCF10A ). In illustrative analyses, we demonstrate how this dataset can be used to discover functionally related molecular features linked to specific cellular phenotypes.

ABSTRACT Identifying effective therapeutic strategies that can prevent tumor cell proliferation is a major challenge to improving outcomes for patients with breast cancer. Here we sought to deepen our understanding of how clinically relevant anti-cancer agents modulate cell cycle progression. We genetically engineered breast cancer cell lines to express a cell cycle reporter and then tracked drug-induced changes in cell number and cell cycle phase, which revealed drug-specific cell cycle effects that varied across time. This suggested that a computational model that could account for cell cycle phase durations would provide a framework to explore drug-induced changes in cell cycle changes. Toward that goal, we developed a linear chain trick (LCT) computational model, in which the cell cycle was partitioned into subphases that faithfully captured drug-induced dynamic responses. The model inferred drug effects and localized them to specific cell cycle phases, which we confirmed experimentally. We then used our LCT model to predict the effect of unseen drug combinations that target cells in different cell cycle phases. Experimental testing confirmed several model predictions and identified combination treatment strategies that may improve therapeutic response in breast cancer patients. Overall, this integrated experimental and modeling approach opens new avenues for assessing drug responses, predicting effective drug combinations, and identifying optimal drug sequencing strategies.

Abstract Motivation High-throughput fluorescent microscopy is a popular class of techniques for studying tissues and cells through automated imaging and feature extraction of hundreds to thousands of samples. Like other high-throughput assays, these approaches can suffer from unwanted noise and technical artifacts that obscure the biological signal. In this work we consider how an experimental design incorporating multiple levels of replication enables removal of technical artifacts from such image-based platforms. Results We develop a general approach to remove technical artifacts from high-throughput image data that leverages an experimental design with multiple levels of replication. To illustrate the methods we consider microenvironment microarrays (MEMAs), a high-throughput platform designed to study cellular responses to microenvironmental perturbations. In application on MEMAs, our approach removes unwanted spatial artifacts and thereby enhances the biological signal. This approach has broad applicability to diverse biological assays. Availability Raw data is on synapse (syn2862345), analysis code is on github (gjhunt/mema norm), a Docker image is available on dockerhub (gjhunt/memanorm). online.

ABSTRACT Paclitaxel is a standard of care neoadjuvant therapy for patients with triple negative breast cancer (TNBC); however, it shows limited benefit for locally advanced or metastatic disease. Here we used a coordinated experimental-computational approach to explore the influence of paclitaxel on the cellular and molecular responses of TNBC cells. We found that escalating doses of paclitaxel resulted in multinucleation, promotion of senescence, and initiation of DNA damage induced apoptosis. Single-cell RNA sequencing (scRNA-seq) of TNBC cells after paclitaxel treatment revealed upregulation of innate immune programs canonically associated with interferon response and downregulation of cell cycle progression programs. Systematic exploration of transcriptional responses to paclitaxel and cancer-associated microenvironmental factors revealed common gene programs induced by paclitaxel, IFNB, and IFNG. Transcription factor (TF) enrichment analysis identified 13 TFs that were both enriched based on activity of downstream targets and also significantly upregulated after paclitaxel treatment. Functional assessment with siRNA knockdown confirmed that the TFs FOSL1, NFE2L2 and ELF3 mediate cellular proliferation and also regulate nuclear structure. We further explored the influence of these TFs on paclitaxel-induced cell cycle behavior via live cell imaging, which revealed altered progression rates through G1, S/G2 and M phases. We found that ELF3 knockdown synergized with paclitaxel treatment to lock cells in a G1 state and prevent cell cycle progression. Analysis of publicly available breast cancer patient data showed that high ELF3 expression was associated with poor prognosis and enrichment programs associated with cell cycle progression. Together these analyses disentangle the diverse aspects of paclitaxel response and identify ELF3 upregulation as a putative biomarker of paclitaxel resistance in TNBC.

Abstract Platinum-based chemotherapy is commonly used for non-small cell lung cancer (NSCLC) treatment, yet clinical outcomes remain poor. Cellular senescence and its associated secretory phenotype (SASP) can have multiple tumour-promoting activities, although these are largely unexplored in lung cancer. Here we show that cisplatin-derived SASP enhances the malignant phenotype of lung cancer cells. Using xenograft, orthotopic and Kras G12V -driven murine NSCLC models, we demonstrate that cisplatin-induced senescent cells strongly promote tumour progression. Mechanistically, we find that a TGF-β-enriched SASP drives pro-proliferative effects through TGFβR1 and Akt/mTOR pathway activation. We validate the translational relevance of chemotherapy-induced SASP using clinical NSCLC samples from patients who received neoadjuvant platinum-based chemotherapy. Importantly, TGFβR1 inhibition with galunisertib or senolytic treatment significantly reduces tumour promotion driven by cisplatin-induced senescence. Finally, we demonstrate, using distinct murine NSCLC models, that addition of TGFBR1 inhibitors to platinum-based chemotherapy reduces tumour burden and improves survival, providing pre-clinical proof-of-concept for future trial designs.

Breast cancer progresses in a multistep process from primary tumor growth and stroma invasion to metastasis. Progression is accompanied by a switch to an invasive cell phenotype. Nutrient-limiting environments exhibit chemotaxis with aggressive morphologies characteristic of invasion. The mTOR pathway senses essential nutrients, informing the cell to respond with either increased chemotaxis and nutrient uptake or cell cycle progression. Randomized clinical trials have shown that mTOR inhibitors (mTOR-I) improve the outcome of metastatic breast cancer patients. However, there are considerable differences between and within tumors that impact the effectiveness of mTOR-I, including differences in access to nutrients. It is unknown how co-existing cells differ in their response to nutrient limitations and how this impacts invasion of the metapopulation as a whole. We integrate modeling with microenvironmental perturbations data to investigate invasion in nutrient-limiting environments inhabited by one or two cancer cell subpopulations. Hereby subpopulations are defined by their energy efficiency and chemotactic ability. We calculate the invasion-distance traveled by a homogeneous population. For heterogeneous populations, our results suggest that an imbalance between nutrient efficacy and chemotactic superiority accelerates invasion. Such imbalance will segregate the two populations spatially and only one type will dominate at the invasion front. Only if these two phenotypes are balanced do the two populations compete for the same space, which decelerates invasion. We investigate ploidy as a candidate biomarker of this phenotypic heterogeneity to discern circumstances when inhibiting chemotaxis amplifies innternal competition and decelerates tumor progression, from circumstances that render clinical consequences of chemotactic inhibition unfavorable.### Competing Interest StatementThe authors have declared no competing interest.

The immediate physical and bio-chemical surroundings of a cell, the cellular microenvironment, is an important component of any fundamental cell and tissue level processes and is implicated in many diseases and dysfunctions. Thus understanding the interaction of cells with their microenvironment can further both basic research and aid the discovery of therapeutic agents. To study perturbations of cellular microenvironments a novel image-based cell-profiling technology called the microenvironment microarray (MEMA) has been recently employed. In this paper we explore the effect of preprocessing transformations for MEMA data on the discovery of biological and technical latent effects. We find that Gaussianizing the data and carefully removing outliers can enhance discovery of important biological effects. In particular, these transformations help reveal a relationship between cell morphological features and the extra-cellular-matrix protein THBS1 in MCF10A breast tissue. More broadly, MEMAs are part of a recent and wide-spread adoption of image-based cell-profiling technologies in the quantification of phenotypic differences among cell populations (Caicedo et al., 2017). Thus we anticipate that the advantages of the proposed preprocessing transformations will likely also be realized in the analysis of data from other highly-multiplexed technologies like Cyclic Immunofluorescence. All code and supplementary analysis for this paper is available at gjhunt.github.io/rr.

Cells sense and respond to their environment by activating distinct intracellular signaling pathways, however signal transmission in individual cells is not well understood. To assess the accuracy of signal transmission in individual cells, we developed an optimized genetically encoded sensor for IGF-I signaling. We stably expressed this sensor in HeLa cells and used live-cell imaging to monitor dynamic responses to IGF-I in individual cells. Across the population, signaling responses overlapped between different IGF-I doses, suggesting limited transmission accuracy. However, analysis of individual cell traces revealed relatively constant responses over time. An information theoretic approach to calculate the channel capacity using variance of the single cell time course data--rather than population data--predicted that cells were capable of discriminating multiple growth factor doses. We validated these predictions by tracking individual cell responses to multiple IGF-I doses and found that cells can accurately distinguish at least four different IGF-I concentrations, and also that the input-output relation varies across the population of individual cells. Furthermore, by monitoring responses to the PI3K inhibitor alpelisib we found a similar discriminatory ability to pathway inhibition. Our studies indicate that heterogeneous responses to IGF-I arise from cells encoding the growth factor input into different signaling outputs and that individual cells can accurately sense and respond to a range of stimuli of varying strengths. These observations reveal the importance of viewing each cell as having its own communication channel and underscore the importance of understanding responses at the single cell level.