Systemic lupus erythematosus (SLE) is a heterogeneous autoimmune disease. Knowledge of circulating immune cell types and states associated with SLE remains incomplete. We profiled more than 1.2 million peripheral blood mononuclear cells (162 cases, 99 controls) with multiplexed single-cell RNA sequencing (mux-seq). Cases exhibited elevated expression of type 1 interferon-stimulated genes (ISGs) in monocytes, reduction of naïve CD4

Droplet-based single-cell RNA-sequencing (dscRNA-seq) has enabled rapid, massively parallel profiling of transcriptomes from tens of thousands of cells. Multiplexing samples for single cell capture and library preparation in dscRNA-seq would enable cost-effective designs of differential expression and genetic studies while avoiding technical batch effects, but its implementation remains challenging. Here, we introduce an in-silico algorithm demuxlet that harnesses natural genetic variation to discover the sample identity of each cell and identify droplets containing two cells. These capabilities enable multiplexed dscRNA-seq experiments where cells from unrelated individuals are pooled and captured at higher throughput than standard workflows. To demonstrate the performance of demuxlet, we sequenced 3 pools of peripheral blood mononuclear cells (PBMCs) from 8 lupus patients. Given genotyping data for each individual, demuxlet correctly recovered the sample identity of > 99% of singlets, and identified doublets at rates consistent with previous estimates. In PBMCs, we demonstrate the utility of multiplexed dscRNA-seq in two applications: characterizing cell type specificity and inter-individual variability of cytokine response from 8 lupus patients and mapping genetic variants associated with cell type specific gene expression from 23 donors. Demuxlet is fast, accurate, scalable and could be extended to other single cell datasets that incorporate natural or synthetic DNA barcodes.

There is an established yet unexplained link between interferon (IFN) and systemic lupus erythematosus (SLE). The expression of sequences derived from transposable elements (TEs) may contribute to production of type I IFNs and generation of autoantibodies. We profiled cell-sorted RNA-seq data (CD4+ T cells, CD14+ monocytes, CD19+ B cells, and NK cells) from PBMCs of 120 SLE patients and quantified TE expression identifying 27,135 TEs. We tested for differential TE expression across 10 SLE phenotypes including autoantibody production and disease activity and discovered 731 differentially expressed (DE) TEs whose effects were mostly cell-specific and phenotype-specific. DE TEs were enriched for specific families and viral genes encoded in TE sequences. Increased expression of DE TEs was associated with genes involved in antiviral activity such as LY6E, ISG15, TRIM22 and pathways such as interferon signaling. These findings suggest that expression of TEs contributes to activation of SLE-related mechanisms in a cell-specific manner, which can impact disease diagnostics and therapeutics.

Abstract Systemic lupus erythematosus (SLE) is a heterogeneous autoimmune disease in which outcomes vary among different racial groups. The aim of this study is to leverage large-scale transcriptomic data from diverse populations to better sub-classify SLE patients into more clinically actionable groups. We leverage cell sorted RNA-seq data (CD14 + monocytes, B cells, CD4 + T cells, and NK cells) from 120 SLE patients (63 Asian and 57 White individuals) and apply a four tier analytical approach to identify SLE subgroups within this multiethnic cohort: unsupervised clustering, differential expression analyses, gene co-expression analyses, and machine learning. K-means clustering on the individual cell type data resulted in three clusters for CD4 and CD14, and two clusters for B cells and NK cells. Correlation analysis revealed significant positive associations between the transcriptomic clusters of each immune cell and clinical parameters including disease activity and ethnicity. We then explored differentially expressed genes between Asian and White groups for each cell-type. The shared differentially expressed genes across the four cell types were involved in SLE or other autoimmune related pathways. Co-expression analysis identified similarly regulated genes across samples and grouped these genes into modules. Samples were grouped into White-high, Asians-high (high disease activity defined by SLEDAI score >=6) and White-low, Asians-low (SLEDAI < 6). Random forest classification of disease activity in the White and Asian cohorts showed the best classification in CD4 + T cells in White. The results from these analyses will help stratify patients based on their gene expression signatures to enable precision medicine for SLE.