Hormone-secreting cells within pancreatic islets of Langerhans play important roles in metabolic homeostasis and disease. However, their transcriptional characterization is still incomplete. Here, we sequenced the transcriptomes of thousands of human islet cells from healthy and type 2 diabetic donors. We could define specific genetic programs for each individual endocrine and exocrine cell type, even for rare δ, γ, ε, and stellate cells, and revealed subpopulations of α, β, and acinar cells. Intriguingly, δ cells expressed several important receptors, indicating an unrecognized importance of these cells in integrating paracrine and systemic metabolic signals. Genes previously associated with obesity or diabetes were found to correlate with BMI. Finally, comparing healthy and T2D transcriptomes in a cell-type resolved manner uncovered candidates for future functional studies. Altogether, our analyses demonstrate the utility of the generated single-cell gene expression resource.

Abstract Development of efficient lipid nanoparticle (LNP) vectors remains a major challenge towards broad clinical translation of RNA therapeutics. New lipids will be required, but also better understanding LNP interactions with the biological environment. Herein, we model protein corona formation on PEG-ylated DLin-MC3-DMA LNPs and identify time-dependent maturation steps that critically unlock their cellular uptake and mRNA delivery. Uptake requires active serum proteins and precedes after a significant (∼2 hours) lag-time, which we show can be eliminated by pre-incubating LNPs for 3-4 hours in serum-containing media. This indicates an important role of protein corona maturation for the pharmacokinetic effects of these LNPs. We show, using single-nanoparticle imaging, NMR diffusometry, SANS, and proteomics, that the LNPs, upon serum exposure, undergo rapid PEG-shedding (∼30 minutes), followed by a slower rearrangement of the adsorbed protein layer. The PEG-shedding coincides in time with high surface abundance of Apolipoprotein A-II, whereas the LNPs preferentially bind Apolipoprotein E when their maximum uptake-competent state is reached. Finally, we show that pre-incubation of the LNPs enables rapid uptake and allows pulse-chase video-microscopy colocalization experiments with sufficiently short pulse durations to gain improved mechanistic understanding of how intracellular trafficking events determine delivery efficacy, emphasizing early endosomes as important delivery-mediating compartments.

Abstract Detection of nucleic acids within sub-cellular compartments is key to understanding their function. Determining the intracellular distribution of nucleic acids requires quantitative retention and estimation of their association with different organelles by immunofluorescence microscopy. This is important also for the delivery of nucleic acid therapeutics which depends on endocytic uptake and endosomal escape. However, the current methods fail to preserve the majority of exogenously delivered nucleic acids in the cytoplasm. To solve this problem, by monitoring Cy5-labeled mRNA delivered to primary human adipocytes via lipid nanoparticles (LNP), we optimized cell fixation, permeabilization and immuno-staining of a number of organelle markers, achieving quantitative retention of mRNA and allowing visualization of levels which escape detection using conventional procedures. Additionally, we demonstrated the protocol to be effective on exogenously delivered siRNA, miRNA, as well as endogenous miRNA. Our protocol is compatible with RNA probes of single molecule fluorescence in-situ hybridization (smFISH) and molecular beacon, thus demonstrating that it is broadly applicable to study a variety of nucleic acids.

Abstract This paper introduces the HASTE Toolkit , a cloud-native software toolkit capable of partitioning data streams in order to prioritize usage of limited resources. This in turn enables more efficient data-intensive experiments. We propose a model that introduces automated, autonomous decision making in data pipelines, such that a stream of data can be partitioned into a tiered or ordered data hierarchy . Importantly, the partitioning is online and based on data content rather than a priori metadata. At the core of the model are interestingness functions and policies . Interestingness functions assign a quantitative measure of interestingness to a single data object in the stream, an interestingness score. Based on this score, a policy guides decisions on how to prioritize computational resource usage for a given object. The HASTE Toolkit is a collection of tools to adapt data stream processing to this pipeline model. The result is smart data pipelines capable of effective or even optimal use of e.g. storage, compute and network bandwidth, to support experiments involving rapid processing of scientific data characterized by large individual data object sizes. We demonstrate the proposed model and our toolkit through two microscopy imaging case studies, each with their own interestingness functions, policies, and data hierarchies. The first deals with a high content screening experiment, where images are analyzed in an on-premise container cloud with the goal of prioritizing the images for storage and subsequent computation. The second considers edge processing of images for upload into the public cloud for a real-time control loop for a transmission electron microscope. Key Points We propose a pipeline model for building intelligent pipelines for streams, accounting for actual information content in data rather than a priori metadata, and present the HASTE Toolkit, a cloud-native software toolkit for supporting rapid development according to the proposed model. We demonstrate how the HASTE Toolkit enables intelligent resource optimization in two image analysis case studies based on a) high-content imaging and b) transmission electron microscopy. We highlight the challenges of storage, processing and transfer in streamed high volume, high velocity scientific data for both cloud and cloud-edge use cases.

Abstract Objective Large-scale microscopy-based experiments often result in images with rich but sparse information content. An experienced microscopist can visually identify regions of interest (ROIs), but this becomes a cumbersome task with large datasets. Here we present SimSearch, a framework for quick and easy user-guided training of a deep neural model aimed at fast detection of ROIs in large-scale microscopy experiments. Methods The user manually selects a small number of patches representing different classes of ROIs. This is followed by feature extraction using a pre-trained deep-learning model, and interactive patch selection pruning, resulting in a smaller set of clean (user approved) and larger set of noisy (unapproved) training patches of ROIs and background. The pre-trained deep-learning model is thereafter first trained on the large set of noisy patches, followed by refined training using the clean patches. Results The framework is evaluated on fluorescence microscopy images from a large-scale drug screening experiment, brightfield images of immunohistochemistry-stained patient tissue samples, and malaria-infected human blood smears, as well as transmission electron microscopy images of cell sections. Compared to state-of-the-art and manual/visual assessment, the results show similar performance with maximal flexibility and minimal a priori information and user interaction. Conclusions SimSearch quickly adapts to different data sets, which demonstrates the potential to speed up many microscopy-based experiments based on a small amount of user interaction. Significance SimSearch can help biologists quickly extract informative regions and perform analyses on large datasets helping increase the throughput in a microscopy experiment.

Abstract Delivery of exogenous mRNA using lipid nanoparticles (LNP) is a promising strategy for therapeutics. However, a bottleneck remains the poor understanding of the parameters that correlate with endosomal escape vs. cytotoxicity. To address this problem, we compared the endosomal distribution of six LNP-mRNA formulations of diverse chemical composition and efficacy, similar to those employed in mRNA-based vaccines, in primary human adipocytes, fibroblasts and HeLa cells. Surprisingly, we found that total uptake is not a sufficient predictor of delivery and different LNP vary considerably in endosomal distributions. Prolonged uptake impaired endosomal acidification, a sign of cytotoxicity, and caused mRNA to accumulate in compartments defective in cargo transport and unproductive for delivery. In contrast, early endocytic/recycling compartments have the highest probability for mRNA escape. By super-resolution microscopy we could resolve single LNP-mRNA within sub-endosomal compartments and capture events of mRNA escape from endosomal recycling tubules. Our results change the view of the mechanisms of endosomal escape and define quantitative parameters to guide the development of mRNA formulations towards higher efficacy and lower cytotoxicity.

Large-scale time-lapse microscopy experiments are useful to understand delivery and expression in RNA-based therapeutics. The resulting data has high dimensionality and high (but sparse) information content, making it challenging and costly to store and process. Early prediction of experimental outcome enables intelligent data management and decision making. We start from time-lapse data of HepG2 cells exposed to lipid-nanoparticles loaded with mRNA for expression of green fluorescent protein (GFP). We hypothesize that it is possible to predict if a cell will express GFP or not based on cell morphology at time-points prior to GFP expression. Here we present results on per-cell classification (GFP expression/no GFP expression) and regression (level of GFP expression) using three different approaches. In the first approach we use a convolutional neural network extracting per-cell features at each time point. We then utilize the same features combined with: a long-short-term memory (LSTM) network encoding temporal dynamics (approach 2); and time-series feature extraction using the python package tsfresh followed by principal component analysis and gradient boosting machines (approach 3), to reach a final classification or regression result. Application of the three approaches to a previously unanalyzed test set of cells showed good predictive performance of all three approaches but that accounting for the temporal dynamics via LSTMs or tsfresh led to significantly improved performance. The predictions made by the LSTM and tsfresh applications were not significantly different. The results highlight the benefit of accounting for temporal dynamics when studying drug delivery using high content imaging.