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.

Abstract Macrophages provide a crucial environment for Salmonella enterica serovar Typhi ( S. Typhi) to multiply during typhoid fever, yet our understanding of how human macrophages and S. Typhi interact remains limited. In this study, we delve into the dynamics of S . Typhi replication within human macrophages and the resulting heterogeneous transcriptomic responses of macrophages during infection. Our study reveals key factors that influence macrophage diversity, uncovering distinct immune and metabolic pathways associated with different stages of S . Typhi intracellular replication in macrophages. Of note, we found that macrophages harboring replicating S . Typhi are skewed towards an M1 pro-inflammatory state, whereas macrophages containing non-replicating S . Typhi exhibit neither a distinct M1 pro-inflammatory nor M2 anti-inflammatory state. Additionally, macrophages with replicating S . Typhi were characterized by the increased expression of genes associated with STAT3 phosphorylation and the activation of the STAT3 transcription factor. Our results shed light on transcriptomic pathways involved in the susceptibility of human macrophages to intracellular S . Typhi replication, thereby providing crucial insight into host phenotypes that restrict and support S . Typhi infection.