Impaired chronic viral and tumor clearance has been attributed to CD8+ T cell exhaustion, a differentiation state in which T cells have reduced and altered effector function that can be partially reversed upon blockade of inhibitory receptors. The role of the exhaustion program and transcriptional networks that control CD8+ T cell function and fate in autoimmunity is not clear. Here we show that intra-islet CD8+ T cells phenotypically, transcriptionally, epigenetically and metabolically possess features of canonically exhausted T cells, yet maintain important differences. This 'restrained' phenotype can be perturbed and disease accelerated by CD8+ T cell-restricted deletion of the inhibitory receptor lymphocyte activating gene 3 (LAG3). Mechanistically, LAG3-deficient CD8+ T cells have enhanced effector-like functions, trafficking to the islets, and have a diminished exhausted phenotype, highlighting a physiological role for an exhaustion program in limiting autoimmunity and implicating LAG3 as a target for autoimmune therapy.

Abstract Approaches to reverse or limit regulatory T cell (Treg) insufficiency are of great interest for development of immunotherapeutic treatments for autoimmune patients, including type 1 diabetes. Treg insufficiency is heavily implicated in the progression of autoimmune diabetes in the NOD mouse model and is characterized by defects in Treg numbers, development, and/or function. Utilizing a Treg-centric screen, we show that intraislet Tregs have a uniquely dysfunctional phenotype, hallmarked by an almost complete lack of neuropilin-1 (Nrp1), a cell surface receptor required to maintain Treg stability. Intraislet Nrp1– Tregs exhibit hallmark features of fragility, including reduced suppressive capacity, decreased CD73 and Helios, and increased Rorγt and Tbet. Intraislet Nrp1– Tregs also exhibit decreased Foxp3 expression on a per cell basis, suggesting that Nrp1 may also be required for long-term Treg stability. Mechanistically, Treg-restricted augmentation of Nrp1 expression limited the onset of autoimmune diabetes in NOD mice suggesting that Nrp1 critically impacts intraislet Treg function. Transcriptional analysis showed that Nrp1 restoration led to an increase in markers and pathways of TCR signaling, survival, and suppression, and when Nrp1 protein expression is examined by cellular indexing of transcriptomes and epitopes by sequencing, significant differences were observed between Nrp1+ and Nrp1– Tregs in all tissues, particularly in markers of Treg fragility. This translated into substantive differences between Nrp1+ and Nrp1– Tregs that afforded the former with a competitive advantage in the islets. Taken together, these data suggest that maintenance of Nrp1 expression and signaling on Tregs limits diabetes onset and may serve as a strategy to combat Treg insufficiency in autoimmune disease.

Schistosomiasis, a highly prevalent parasitic disease, affects more than 200 million people worldwide. Current diagnostics based on parasite egg detection in stool detect infection only at a late stage, and current antibody-based tests cannot distinguish past from current infection. Here, we developed and used a multiplexed antibody profiling platform to obtain a comprehensive repertoire of antihelminth humoral profiles including isotype, subclass, Fc receptor (FcR) binding, and glycosylation profiles of antigen-specific antibodies. Using Essential Regression (ER) and SLIDE, interpretable machine learning methods, we identified latent factors (context-specific groups) that move beyond biomarkers and provide insights into the pathophysiology of different stages of schistosome infection. By comparing profiles of infected and healthy individuals, we identified modules with unique humoral signatures of active disease, including hallmark signatures of parasitic infection such as elevated immunoglobulin G4 (IgG4). However, we also captured previously uncharacterized humoral responses including elevated FcR binding and specific antibody glycoforms in patients with active infection, helping distinguish them from those without active infection but with equivalent antibody titers. This signature was validated in an independent cohort. Our approach also uncovered two distinct endotypes, nonpatent infection and prior infection, in those who were not actively infected. Higher amounts of IgG1 and FcR1/FcR3A binding were also found to be likely protective of the transition from nonpatent to active infection. Overall, we unveiled markers for antibody-based diagnostics and latent factors underlying the pathogenesis of schistosome infection. Our results suggest that selective antigen targeting could be useful in early detection, thus controlling infection severity.

Abstract Modern multi-omic technologies can generate deep multi-scale profiles. However, differences in data modalities, multicollinearity of the data, and large numbers of irrelevant features make the analyses and integration of high-dimensional omic datasets challenging. Here, we present Significant Latent factor Interaction Discovery and Exploration (SLIDE), a first-in-class interpretable machine learning technique for identifying significant interacting latent factors underlying outcomes of interest from high-dimensional omic datasets. SLIDE makes no assumptions regarding data-generating mechanisms, comes with theoretical guarantees regarding identifiability of the latent factors/corresponding inference, outperforms/performs at least as well as state-of-the-art approaches in terms of prediction, and provides inference beyond prediction. Using SLIDE on scRNA-seq data from systemic sclerosis (SSc) patients, we first uncovered significant interacting latent factors underlying SSc pathogenesis. In addition to accurately predicting SSc severity and outperforming existing benchmarks, SLIDE uncovered significant factors that included well-elucidated altered transcriptomic states in myeloid cells and fibroblasts, an intriguing keratinocyte-centric signature validated by protein staining, and a novel mechanism involving altered HLA signaling in myeloid cells, that has support in genetic data. SLIDE also worked well on spatial transcriptomic data and was able to accurately identify significant interacting latent factors underlying immune cell partitioning by 3D location within lymph nodes. Finally, SLIDE leveraged paired scRNA-seq and TCR-seq data to elucidate latent factors underlying extents of clonal expansion of CD4 T cells in a nonobese diabetic model of T1D. The latent factors uncovered by SLIDE included well-known activation markers, inhibitory receptors and intracellular regulators of receptor signaling, but also honed in on several novel naïve and memory states that standard analyses missed. Overall, SLIDE is a versatile engine for biological discovery from modern multi-omic datasets.

Cancers are shaped by somatic mutations, microenvironment, and patient background, each altering gene expression and regulation in complex ways, resulting in heterogeneous cellular states and dynamics. Inferring gene regulatory network (GRN) models from expression data can help characterize this regulation-driven heterogeneity, but network inference requires many statistical samples, traditionally limiting GRNs to cluster-level analyses that ignore intra-cluster heterogeneity. We propose to move beyond cluster-based analyses by using contextualized learning, a multi-task learning paradigm which allows us to infer sample-specific models using phenotypic, molecular, and environmental information pertinent to the model, encoded as the model9s "context" to be conditioned on. We unify three network model classes (Correlation, Markov, Neighborhood) and estimate context-specific GRNs for 7997 tumors across 25 tumor types, with each network contextualized by copy number and driver mutation profiles, tumor microenvironment, and patient demographics. Contextualized GRNs provide a structured view of expression dynamics at sample-specific resolution, which reveal co-expression modules in correlation networks (CNs), as well as cliques and independent regulatory elements in Markov Networks (MNs) and Neighborhood Regression Networks (NNs). Our generative modeling approach allows us to predict GRNs for unseen tumor types based on a pan-cancer model of how somatic mutations affect gene regulation. Finally, contextualized networks enable GRN-based precision oncology, explaining known biomarkers in terms of network-mediated effects, and leading to novel subtypings for thyroid, brain, and gastrointestinal tumors that improve survival prognosis.

ABSTRACT Stem-like progenitor exhausted CD8 T cells are critical for maintaining long-term resistance during chronic infections and cancer, and represent an important checkpoint blockade immunotherapy target for functional reinvigoration and disease control. Hence, there is vigorous interest in understanding the ontogenesis of TCF-1 Hi stem-like exhausted CD8 T cells, and in defining the signals that promote their development. Here, we show that virus-specific TCF1 Hi GzmB Lo CD8 T cells develop during early stages of chronic viral infection, and are progressively deprogrammed from the stem-like lineage towards terminal differentiation by strong IL-2 signals. In vivo fate-tracking studies show that strong T cell-intrinsic IL-2 signals through the high affinity heterotrimeric IL-2Rα/β/γ receptor drive skewed development of terminally differentiated TCF-1 Lo GzmB Hi cells, which largely die in chronic antigenic environment. In contrast, tempered IL-2 signals through the intermediate affinity IL-2Rβ/γ heterodimer, or delayed priming in diminished IL-2 milieu support preferential development of TCF-1 Hi stem-like exhausted CD8 T cells, capable of long-term persistence and potent responsiveness to PD-1 therapy in later stages of chronic viral infection. In human tumors as well, single cell RNA-seq analyses of tumor infiltrating lymphocytes from melanoma, human papillomavirus+ head and neck cancer and lung cancer patients revealed an inverse relationship between IL-2 signaling signature and T cell stemness. Moreover, melanoma patients with enriched IL-2 signaling signature showed poor responses to checkpoint blockade immunotherapy. Collectively, these findings bear relevance to clinical immunotherapies of chronic viral infections and cancers, and support exogenous IL-2 signal manipulation prior to therapy as a strategy for augmenting long-term clinical outcomes. ONE SENTENCE SUMMARY Programming of exhausted T cell fates by differential IL-2