Abstract Spatially-resolved genomic technologies have allowed us to study the physical organization of cells and tissues, and promise an understanding of the local interactions between cells. However, it remains difficult to precisely align spatial observations across slices, samples, scales, individuals, and technologies. Here, we propose a probabilistic model that aligns a set of spatially-resolved genomics and histology slices onto a known or unknown common coordinate system into which the samples are aligned both spatially and in terms of the phenotypic readouts (e.g., gene or protein expression levels, cell density, open chromatin regions). Our method consists of a two-layer Gaussian process: the first layer maps the observed samples’ spatial locations into a common coordinate system, and the second layer maps from the common coordinate system to the observed readouts. Our approach also allows for slices to be mapped to a known template coordinate space if one exists. We show that our registration approach enables complex downstream spatially-aware analyses of spatial genomics data at multiple resolutions that are impossible or inaccurate with unaligned data, including an analysis of variance, differential expression across the z -axis, and association tests across multiple data modalities.

Abstract Selective targeting of aneuploid cells is an attractive strategy for cancer treatment. Here, we mapped the aneuploidy landscapes of ~1,000 human cancer cell lines and classified them by their degree of aneuploidy. Next, we performed a comprehensive analysis of large-scale genetic and chemical perturbation screens, in order to compare the cellular vulnerabilities between near-diploid and highly-aneuploid cancer cells. We identified and validated an increased sensitivity of aneuploid cancer cells to genetic perturbation of core components of the spindle assembly checkpoint (SAC), which ensures the proper segregation of chromosomes during mitosis. Surprisingly, we also found highly-aneuploid cancer cells to be less sensitive to short-term exposures to multiple inhibitors of the SAC regulator TTK . To resolve this paradox and to uncover its mechanistic basis, we established isogenic systems of near-diploid cells and their aneuploid derivatives. Using both genetic and chemical inhibition of BUB1B , MAD2 and TTK , we found that the cellular response to SAC inhibition depended on the duration of the assay, as aneuploid cancer cells became increasingly more sensitive to SAC inhibition over time. The increased ability of aneuploid cells to slip from mitotic arrest and to keep dividing in the presence of SAC inhibition was coupled to aberrant spindle geometry and dynamics. This resulted in a higher prevalence of mitotic defects, such as multipolar spindles, micronuclei formation and failed cytokinesis. Therefore, although aneuploid cancer cells can overcome SAC inhibition more readily than diploid cells, the proliferation of the resultant aberrant cells is jeopardized. At the molecular level, analysis of spindle proteins identified a specific mitotic kinesin, KIF18A , whose levels were drastically reduced in aneuploid cancer cells. Aneuploid cancer cells were particularly vulnerable to KIF18A depletion, and KIF18A overexpression restored the sensitivity of aneuploid cancer cells to SAC inhibition. In summary, we identified an increased vulnerability of aneuploid cancer cells to SAC inhibition and explored its cellular and molecular underpinnings. Our results reveal a novel synthetic lethal interaction between aneuploidy and the SAC, which may have direct therapeutic relevance for the clinical application of SAC inhibitors.

Abstract Histological imaging and molecular profiling of human tissues both offer information-rich characterizations of biological structure and function. Each of these modalities has been used to characterize the organization and dysregulation of a variety of tissues and cell types. While large-scale studies of each modality in isolation have been conducted, it remains largely unknown the extent to which these two views of a tissue relate to one another. Understanding how cellular states are encoded in cellular morphology would increase the utility and interpretability of imaging data; conversely, understanding the state of the cells within histology images would give deeper insights into the types and states of cells that constitute these tissue samples. To this end, we jointly analyzed 13, 360 human tissue samples with paired bulk gene expression profiles and histology images across 935 donors from the Genotype and Tissue Expression (GTEx) Consortium v8 study. This analysis reveals relationships among gene expression and cellular morphology through shared sources of expression and morphological heterogeneity both within and between tissue types. We describe shared sources of variation including cell-type heterogeneity, sample ischemic time, and donor health and demographics. We find specific correlated effects in both morphology and transcription linked to specific donor characteristics, such as their use of mechanical ventilation. This paired understanding adds value to each data modality on their own by enabling a more precise characterization of the alternative modality in the absence of those data.

Abstract Spatial genomic technologies characterize the relationship between the structural organization of cells and their cellular state. Despite the availability of various spatial transcriptomic and proteomic profiling platforms, these experiments remain costly and labor-intensive. Traditionally, tissue slicing for spatial sequencing involves parallel axis-aligned sections, often yielding redundant or correlated information. We propose structured batch experimental design , a method that improves the cost efficiency of spatial genomics experiments by profiling tissue slices that are maximally informative, while recognizing the destructive nature of the process. Applied to two spatial genomics studies—one to construct a spatially-resolved genomic atlas of a tissue and another to localize a region of interest in a tissue, such as a tumor—our approach collects more informative samples using fewer slices compared to traditional slicing strategies. This methodology offers a foundation for developing robust and cost-efficient design strategies, allowing spatial genomics studies to be deployed by smaller, resource-constrained labs.

Cell lines are key tools for preclinical cancer research, but it remains unclear how well they represent patient tumor samples. Identifying cell line models that best represent the features of particular tumor samples, as well as tumor types that lack in vitro model representation, remain important challenges. Gene expression has been shown to provide rich information that can be used to identify tumor subtypes, as well as predict the genetic dependencies and chemical vulnerabilities of cell lines. However, direct comparisons of tumor and cell line transcriptional profiles are complicated by systematic differences, such as the presence of immune and stromal cells in tumor samples and differences in the cancer-type composition of cell line and tumor expression datasets. To address these challenges, we developed an unsupervised alignment method (Celligner) and applied it to integrate several large-scale cell line and tumor RNA-Seq datasets. While our method aligns the majority of cell lines with tumor samples of the same cancer type, it also reveals large differences in tumor/cell line similarity across disease types. Furthermore, Celligner identifies a distinct group of several hundred cell lines from diverse lineages that present a more mesenchymal and undifferentiated transcriptional state and which exhibit distinct chemical and genetic dependencies. This method could thus be used to guide the selection of cell lines that more closely resemble patient tumors and improve the clinical translation of insights gained from cell line models.

Spatially-resolved genomic technologies have shown promise for studying the relationship between the structural arrangement of cells and their functional behavior. While numerous sequencing and imaging platforms exist for performing spatial transcriptomics and spatial proteomics profiling, these experiments remain expensive and labor-intensive. Thus, when performing spatial genomics experiments using multiple tissue slices, there is a need to select the tissue cross sections that will be maximally informative for the purposes of the experiment. In this work, we formalize the problem of experimental design for spatial genomics experiments, which we generalize into a problem class that we call structured batch experimental design. We propose approaches for optimizing these designs in two types of spatial genomics studies: one in which the goal is to construct a spatially-resolved genomic atlas of a tissue and another in which the goal is to localize a region of interest in a tissue, such as a tumor. We demonstrate the utility of these optimal designs, where each slice is a two-dimensional plane, on several spatial genomics datasets.

Assays to study cancer cell responses to pharmacologic or genetic perturbations are typically restricted to using simple phenotypic readouts such as proliferation rate or the expression of a marker gene. Information-rich assays, such as gene-expression profiling, are generally not amenable to efficient profiling of a given perturbation across multiple cellular contexts. Here, we developed MIX-Seq, a method for multiplexed transcriptional profiling of post-perturbation responses across a mixture of samples with single-cell resolution, using SNP-based computational demultiplexing of single-cell RNA-sequencing data. We show that MIX-Seq can be used to profile responses to chemical or genetic perturbations across pools of 100 or more cancer cell lines, and combine it with Cell Hashing to further multiplex additional experimental conditions, such as multiple post-treatment time points or drug doses. Analyzing the high-content readout of scRNA-seq reveals both shared and context-specific transcriptional response components that can identify drug mechanism of action and can be used to predict long-term cell viability from short-term transcriptional responses to treatment.

While chemical and genetic viability screens in cancer cell lines have identified many promising cancer vulnerabilities, simple univariate readouts of cell proliferation fail to capture the complex cellular responses to perturbations. Complementarily, gene expression profiling offers an information-rich measure of cell state that can provide a more detailed account of cellular responses to perturbations. Relatively little is known, however, about the relationship between transcriptional responses to perturbations and the long-term cell viability effects of those perturbations. To address this question, we integrated thousands of post-perturbational transcriptional profiles from the Connectivity Map with large-scale screens of cancer cell lines' viability response to genetic and chemical perturbations. This analysis revealed a generalized transcriptional signature associated with reduced viability across perturbations, which was consistent across post-perturbation time-points, perturbation types, and viability datasets. At a more granular level, we lay out the landscape of treatment-specific expression-viability relationships across a broad panel of drugs and genetic reagents, and we demonstrate that these post-perturbational expression signatures can be used to infer long-term viability. Together, these results help unmask the transcriptional changes that are associated with perturbation-induced viability loss in cancer cell lines.

Abstract Single-cell RNA sequencing (scRNA-seq) technologies allow for the study of gene expression in individual cells. Often, it is of interest to understand how transcriptional activity is associated with cell-specific covariates, such as cell type, genotype, or measures of cell health. Traditional approaches for this type of association mapping assume independence between the outcome variables (or genes), and perform a separate regression for each. However, these methods are computationally costly and ignore the substantial correlation structure of gene expression. Furthermore, count-based scRNA-seq data pose challenges for traditional models based on Gaussian assumptions. We aim to resolve these issues by developing a reduced-rank regression model that identifies low-dimensional linear associations between a large number of cell-specific covariates and high-dimensional gene expression readouts. Our probabilistic model uses a Poisson likelihood in order to account for the unique structure of scRNA-seq counts. We demonstrate the performance of our model using simulations, and we apply our model to a scRNA-seq dataset, a spatial gene expression dataset, and a bulk RNA-seq dataset to show its behavior in three distinct analyses. We show that our statistical modeling approach, which is based on reduced-rank regression, captures associations between gene expression and cell- and sample-specific covariates by leveraging low-dimensional representations of transcriptional states.