Abstract Deconvolution methods infer levels of immune and stromal infiltration from bulk expression of tumor samples. These methods allow projection of characteristics of the tumor microenvironment, known to affect patient outcome and therapeutic response, onto the millions of bulk transcriptional profiles in public databases, many focused on uniquely valuable and clinically-annotated cohorts. Despite the wide development of such methods, a standardized dataset with ground truth to evaluate their performance has been lacking. We generated and sequenced in vitro and in silico admixtures of tumor, immune, and stromal cells and used them as ground truth in a community-wide DREAM Challenge that provided an objective, unbiased assessment of six widely-used published deconvolution methods and of 22 new analytical approaches developed by international teams. Our results demonstrate that existing methods predict many cell types well, while team-contributed methods highlight the potential to resolve functional states of T cells that were either not covered by published reference signatures or estimated poorly by some published methods. Our assessment and the open-source implementations of top-performing methods will allow researchers to apply the deconvolution approach most appropriate to querying their cell type of interest. Further, our publicly-available admixed and purified expression profiles will be a valuable resource to those developing deconvolution methods, including in non-malignant settings involving immune cells.

Abstract We evaluate deconvolution methods, which infer levels of immune infiltration from bulk expression of tumor samples, through a community-wide DREAM Challenge. We assess six published and 22 community-contributed methods using in vitro and in silico transcriptional profiles of admixed cancer and healthy immune cells. Several published methods predict most cell types well, though they either were not trained to evaluate all functional CD8+ T cell states or do so with low accuracy. Several community-contributed methods address this gap, including a deep learning-based approach, whose strong performance establishes the applicability of this paradigm to deconvolution. Despite being developed largely using immune cells from healthy tissues, deconvolution methods predict levels of tumor-derived immune cells well. Our admixed and purified transcriptional profiles will be a valuable resource for developing deconvolution methods, including in response to common challenges we observe across methods, such as sensitive identification of functional CD4+ T cell states.

Understanding the immune-cell abundances of cancer and other disease-related tissues has an important role in guiding cancer treatments. We propose data augmentation through in silico mixing with deep neural networks (DAISM-DNN), where highly accurate and unbiased immune-cell proportion estimation is achieved through DNN with dataset-specific training data created from partial samples from the same batch with ground truth cell proportions. We evaluated the performance of DAISM-DNN on three publicly available real-world datasets and results showed that DAISM-DNN is robust against platform-specific variations among different datasets and outperforms other existing methods by a significant margin on all the datasets evaluated.* RNA-seq : Next Generation RNA Sequencing scRNA-seq : Single cell RNA-seq GEP : Gene expression profile matrix SVR : Support Vector Regression DNN : Deep Neural Network PBMC : Peripheral Blood Mononuclear Cells CCC : Lin’s Concordance Correlation Coefficient r : Pearson’s correlation coefficient RMSE : Root Mean Square Error CS : CIBERSORT CSx : CIBERSORTx

Persistent pain frequently precipitates the development of anxiety disorders, yet the underlying mechanisms are not fully understood. In this study, we employed a mouse model that simulates trigeminal neuralgia and observed a marked reduction in the activity of GABAergic neurons in the lateral habenula (LHb), a critical region for modulating pain and anxiety. We utilized precise optogenetic and chemogenetic techniques to modulate these neurons, which significantly alleviated behaviors associated with pain and anxiety. Our investigations revealed an inhibitory pathway from the LHb GABAergic neurons to the posterior paraventricular thalamus. Activation of this pathway primarily mitigated pain-related behaviors, with minimal effects on anxiety. Conversely, interactions between GABAergic and glutamatergic neurons within the LHb were essential in alleviating both pain and anxiety following trigeminal nerve damage. Additionally, we identified that β-sitosterol interacts directly with LHb GABAergic neurons via the estrogen receptor α, providing dual therapeutic effects for both pain and anxiety. These findings highlight the critical role of reduced GABAergic neuronal activity in the LHb in the intersection of pain and anxiety, pointing to promising therapeutic possibilities.

In the rapidly evolving field of information systems, the role of mobile-based social media as a platform for knowledge sharing among vocational schoolteachers presents both opportunities and challenges. This study addresses a critical gap in the understanding of how psychological factors (such as self-efficacy) and contextual factors (such as trust environments) influence knowledge-sharing behaviours in information systems. This study includes 332 vocational schoolteachers and employs structural equation modelling to examine how psychological and contextual factors enhance or inhibit sharing intentions. The results revealed that psychological factors significantly impact sharing intentions, whereas contextual factors bolster self-efficacy and behaviours. The findings offer valuable insights into the optimisation of information systems environments to facilitate effective knowledge sharing, thereby contributing to enhanced collaborative practices and technology adoption in educational settings. This research underscores the need to integrate social cognitive career theory into information systems to better understand the complex dynamics of knowledge sharing on mobile platforms.