Abstract High dimensionality omics and hyperspectral imaging datasets present difficult challenges for feature extraction and data mining due to huge numbers of features that cannot be simultaneously examined. The sample numbers and variables of these methods are constantly growing as new technologies are developed, and computational analysis needs to evolve to keep up with growing demand. Current state of the art algorithms can handle some routine datasets but struggle when datasets grow above a certain size. We present a training deep learning via neural networks on non-linear dimensionality reduction, in particular t-distributed stochastic neighbour embedding (t-SNE), to overcome prior limitations of these methods. One Sentence Summary Analysis of prohibitively large datasets by combining deep learning via neural networks with non-linear dimensionality reduction.

With colorectal cancer (CRC) being the second most common cause of cancer-related deaths worldwide 1 , there is an urgent need for better diagnostic tools and new, more targeted therapies. Here we used genetically engineered mouse models (GEMMs), and multimodal mass spectrometry-based metabolomics to study the impact of common genetic drivers of CRC on the metabolic landscape of the intestine. We show that unsupervised metabolic profiling can stratify intestinal tissues according to underlying genetic alterations, and use mass spectrometry imaging (MSI) to identify tumour, stromal and normal adjacent tissues. By identifying ions that drive variation between normal and transformed tissues, we found dysregulation of the methionine cycle to be a hallmark of APC-mutant CRC, and propose one of its enzymes, i.e. adenosylhomocysteinase (AHCY), as a new therapeutic target. Collectively, we show that the profound genotype-dependent alterations in both lipid and small molecule metabolism in CRC may be exploited for tissue classification with no need for ion identification, and we applied further data analysis to expose a novel metabolic vulnerability of CRC.

Understanding tumor heterogeneity is a major challenge that was recognized as one of the first Cancer Grand Challenges, with a call to provide solutions to visualize tumor heterogeneity. The Rosetta team took on this challenge, exploiting advances in spatial-omics approaches centered around mass spectrometry imaging to map tumor heterogeneity at the cellular and molecular scales with different levels of resolution. See related article by Bressan et al., p. 16 See related article by Stratton et al., p. 22 See related article by Bhattacharjee et al., p. 28.