Single-cell transcriptomic analysis is widely used to study human tumors. However, it remains challenging to distinguish normal cell types in the tumor microenvironment from malignant cells and to resolve clonal substructure within the tumor. To address these challenges, we developed an integrative Bayesian segmentation approach called copy number karyotyping of aneuploid tumors (CopyKAT) to estimate genomic copy number profiles at an average genomic resolution of 5 Mb from read depth in high-throughput single-cell RNA sequencing (scRNA-seq) data. We applied CopyKAT to analyze 46,501 single cells from 21 tumors, including triple-negative breast cancer, pancreatic ductal adenocarcinoma, anaplastic thyroid cancer, invasive ductal carcinoma and glioblastoma, to accurately (98%) distinguish cancer cells from normal cell types. In three breast tumors, CopyKAT resolved clonal subpopulations that differed in the expression of cancer genes, such as KRAS, and signatures, including epithelial-to-mesenchymal transition, DNA repair, apoptosis and hypoxia. These data show that CopyKAT can aid in the analysis of scRNA-seq data in a variety of solid human tumors. Clonal subpopulations in human tumors are identified from single-cell RNA-seq data.

Aneuploidy is a hallmark of breast cancer; however, knowledge of how these complex genomic rearrangements evolve during tumorigenesis is limited. In this study, we developed a highly multiplexed single-nucleus sequencing method to investigate copy number evolution in patients with triple-negative breast cancer. We sequenced 1,000 single cells from tumors in 12 patients and identified 1-3 major clonal subpopulations in each tumor that shared a common evolutionary lineage. For each tumor, we also identified a minor subpopulation of non-clonal cells that were classified as metastable, pseudodiploid or chromazemic. Phylogenetic analysis and mathematical modeling suggest that these data are unlikely to be explained by the gradual accumulation of copy number events over time. In contrast, our data challenge the paradigm of gradual evolution, showing that the majority of copy number aberrations are acquired at the earliest stages of tumor evolution, in short punctuated bursts, followed by stable clonal expansions that form the tumor mass.

Abstract High-throughput methods for single cell copy number sequencing have enabled the profiling of thousands of cells in parallel, yet there remains a significant bottleneck for data analysis. Here we present CopyKit, a comprehensive set of computational methods for the pre-processing and analysis of single cell copy number data to resolve clonal substructure and reconstruct genetic lineages in tumors. We performed single cell DNA sequencing of 2977 cells from multiple spatial regions in two liver metastasis and 7365 cells from three primary tumors with matched metastatic tissues. In the liver metastases, CopyKit resolved clonal substructure in different spatial regions, which revealed both clonal intermixing and spatial segregation in the tumor mass. In the matched metastatic colorectal and breast cancers, CopyKit resolved metastatic lineages and identified subclones and genomic events that were associated with metastases. These applications show that CopyKit is comprehensive tool for resolving copy number substructure in tumors.