CIBERSORTx is a suite of machine learning tools for the assessment of cellular abundance and cell type-specific gene expression patterns from bulk tissue transcriptome profiles. With this framework, single-cell or bulk-sorted RNA sequencing data can be used to learn molecular signatures of distinct cell types from a small collection of biospecimens. These signatures can then be repeatedly applied to characterize cellular heterogeneity from bulk tissue transcriptomes without physical cell isolation. In this chapter, we provide a detailed primer on CIBERSORTx and demonstrate its capabilities for high-throughput profiling of cell types and cellular states in normal and neoplastic tissues.

Abstract Recent studies have emphasized the importance of single-cell spatial biology, yet available assays for spatial transcriptomics have limited gene recovery or low spatial resolution. Here we introduce CytoSPACE, a method for aligning single-cell and spatial transcriptomes via convex linear optimization. Across diverse platforms and tissue types, we show that CytoSPACE outperforms previous methods with respect to noise-tolerance, accuracy, and efficiency, enabling improved analysis of spatial transcriptomics data at single-cell resolution.

SUMMARY Metastasis is responsible for the majority of breast cancer-related deaths, however identifying the cellular determinants of metastasis has remained challenging. Here, we identified a minority population of immature THY1 + / VEGFA + tumor epithelial cells in human breast tumor biopsies that display angiogenic features and are marked by the expression of the oncogene, LMO2 . Higher abundance of LMO2 + basal cells correlated with tumor endothelial content and predicted poor distant recurrence-free survival in patients. Using MMTV-PyMT/Lmo2 CreERT2 mice, we demonstrated that Lmo2 lineage- traced cells have a higher propensity to metastasize. LMO2 knockdown in human breast tumors reduced lung metastasis by impairing intravasation, leading to a reduced frequency of circulating tumor cells. Mechanistically, we find that LMO2 binds to STAT3 and is required for STAT3 activation by TNFα and IL6. Collectively, our study identifies a population of metastasis-initiating cells with angiogenic features and establishes the LMO2-STAT3 signaling axis as a therapeutic target in breast cancer metastasis. One sentence summary LMO2 modulates STAT3 signaling in breast cancer metastasis.

Abstract Recent advancements in single-cell RNA sequencing (scRNA-seq) have enabled the identification of phenotypic diversity within breast tumor tissues. However, the contribution of these cell phenotypes to tumor biology and treatment response has remained less understood. This is primarily due to the limited number of available samples and the inherent heterogeneity of breast tumors. To address this limitation, we leverage a state-of-the-art scRNA-seq atlas and employ CIBER-SORTx to estimate cell phenotype fractions by de-convolving bulk expression profiles in more than 2000 samples from patients who have undergone Neoad-juvant Chemotherapy (NAC). We introduce a pipeline based on explainable Machine Learning (XML) to robustly explore the associations between different cell phenotype fractions and the response to NAC in the general population as well as different subtypes of breast tumors. By comparing tumor subtypes, we observe that multiple cell types exhibit a distinct association with pCR within each subtype. Specifically, Dendritic cells (DCs) exhibit a negative association with pathological Complete Response (pCR) in Estrogen Receptor positive, ER+, (Luminal A/B) tumors, while showing a positive association with pCR in ER-(Basal-like/HER2-enriched) tumors. Analysis of new spatial cyclic immunoflu-orescence data and publicly available imaging mass cytometry data showed significant differences in the spatial distribution of DCs between ER subtypes. These variations underscore disparities in the engagement of DCs within the tumor microenvironment (TME), potentially driving their divergent associations with pCR across tumor subtypes. Overall, our findings on 28 different cell types provide a comprehensive understanding of the role played by cellular compo-nents of the TME in NAC outcomes. They also highlight directions for further experimental investigations at a mechanistic level.