Abstract The increased relative abundance of oral bacteria detected in fecal samples has been associated with intestinal diseases and digestive disorders. This observation raises two competing hypotheses: either oral bacteria invade the gut bacterial population and expand in the intestine (the Expansion hypothesis), or oral bacteria transit through and their relative increase in feces marks a depletion of the gut bacterial population (the Marker hypothesis). To address this, we conducted a comprehensive analysis of quantitative microbiome data from mouse experiments and diverse patient cohorts. Our findings consistently support the Marker hypothesis as the primary explanation. We further establish a robust inverse correlation between the total fraction of oral bacteria and decreased total bacterial abundance in feces. This correlation underlies the associations between the oral bacterial fraction and multiple patient outcomes consistent with a depleted gut microbiota. By distinguishing between the two hypotheses, our study guides the interpretation of microbiome compositional data and their links with human health.

Abstract Identifying predictive biomarkers of patient outcomes from high-throughput microbiome data is of high interest, while existing computational methods do not satisfactorily account for complex survival endpoints, longitudinal samples, and taxa-specific sequencing biases. We present FLORAL ( https://vdblab.github.io/FLORAL/ ), an open-source computational tool to perform scalable log-ratio lasso regression and microbial feature selection for continuous, binary, time-to-event, and competing risk outcomes, with compatibility of longitudinal microbiome data as time-dependent covariates. The proposed method adapts the augmented Lagrangian algorithm for a zero-sum constraint optimization problem while enabling a two-stage screening process for extended false-positive control. In extensive simulation and real-data analyses, FLORAL achieved consistently better false-positive control compared to other lasso-based approaches, and better sensitivity over popular differential abundance testing methods for datasets with smaller sample size. In a survival analysis in allogeneic hematopoietic-cell transplant, we further demonstrated considerable improvement by FLORAL in microbial feature selection by utilizing longitudinal microbiome data over only using baseline microbiome data.

Abstract Resistance to chimeric antigen receptor (CAR) T cell therapy develops through multiple mechanisms including antigen-loss escape and tumor-induced immune suppression. Expression of multiple CARs may overcome multi-antigen-loss escape. Similarly, expression of switch receptors that convert inhibitory immune checkpoint signals into positive costimulatory signals may enhance CAR T cell activity in the tumor microenvironment. Engineering multiple features into one cell product, however, is limited by transgene packaging constraints of current vector systems. Here, we describe a leucine zipper-based cell sorting methodology that enables selective single-step immunomagnetic purification of cells co-transduced with two vectors, designed to potentially double the number of incorporated transgenes. This “Zip-sorting” system facilitated generation of T cells simultaneously expressing up to four CARs and co-expressing up to three switch receptors. These multi-CAR multi-Switch receptor arrays enabled T cells to eliminate antigenically heterogeneous syngeneic leukemia populations co-expressing multiple inhibitory ligands. Zip-sorted multi-CAR multi-Switch receptor T cells represent a potent therapeutic strategy to overcome multiple mechanisms of CAR T cell resistance.

Batch effect is a frequent challenge in deep sequencing data analysis that can lead to misleading conclusions. We present scBatch, a numerical algorithm that conducts batch effect correction on the count matrix of RNA sequencing (RNA-seq) data. Different from traditional methods, scBatch starts with establishing an ideal correction of the sample distance matrix that effectively reflect the underlying biological subgroups, without considering the actual correction of the raw count matrix itself. It then seeks an optimal linear transformation of the count matrix to approximate the established sample pattern. The benefit of such an approach is the final result is not restricted by assumptions on the mechanism of the batch effect. As a result, the method yields good clustering and gene differential expression (DE) results. We compared the new method, scBatch, with leading batch effect removal methods ComBat and mnnCorrect on simulated data, real bulk RNA-seq data, and real single-cell RNA-seq data. The comparisons demonstrated that scBatch achieved better sample clustering and DE gene detection results.

In multicellular organisms, a single zygote develops along divergent lineages to produce distinct cell types. What governs these processes is central to the understanding of cell fate specification and stem cell engineering. Here we used the protochordate model Ciona savignyi to determine gene expression profiles of every cell of single embryos from fertilization through the onset of gastrulation and provided a comprehensive map of chordate early embryonic lineage specification. We identified 47 cell types across 8 developmental stages up to the 110-cell stage in wild type embryos and 8 fate transformations at the 64-cell stage upon FGF-MAPK inhibition. The identities of all cell types were evidenced by in situ expression pattern of marker genes and expected number of cells based on the invariant lineage. We found that, for the majority of asymmetrical cell divisions, the bipotent mother cell shows predominantly the gene signature of one of the daughter fates, with the other daughter being induced by subsequent signaling. Our data further indicated that the asymmetric segregation of mitochondria in some of these divisions does not depend on the concurrent fate inducing FGF-MAPK signaling. In the notochord, which is an evolutionary novelty of chordates, the convergence of cell fate from two disparate lineages revealed modular structure in the gene regulatory network beyond the known master regulator T/Brachyury. Comparison to single cell transcriptomes of the early mouse embryo showed a clear match of cell types at the tissue level and supported the hypothesis of developmental-genetic toolkit. This study provides a high-resolution single cell dataset to understand chordate embryogenesis and the relationship between fate trajectories and the cell lineage.