The liver performs several vital functions such as metabolism, toxin removal and glucose storage through the coordination of various cell types. The cell type compositions and cellular states undergo significant changes in abnormal conditions such as fatty liver, cirrhosis and liver cancer. As the recent breakthrough of the single-cell/single-nucleus RNA-seq (sc/snRNA-seq) techniques, there is a great opportunity to establish a reference cell map of liver at single cell resolution with transcriptome-wise features. In this study, we build a unified liver cell atlas uniLIVER by integrative analyzing a large-scale sc/snRNA-seq data collection of normal human liver with 331,125 cells and 79 samples from 6 datasets. Besides the hierarchical cell type annotations, uniLIVER also proposed a novel data-driven strategy to map any query dataset to the normal reference map by developing a machine learning based framework named LiverCT. Applying LiverCT on the datasets from multiple abnormal conditions (1,867,641 cells and 439 samples from 12 datasets), the alterations of cell type compositions and cellular states were systematically investigated in liver cancer.

Abstract Single-cell RNA-seq (scRNA-seq) is a powerful technique for decoding the complex cellular compositions in the tumor microenvironment (TME). As previous studies have defined many meaningful cell subtypes in several tumor types, there is a great need to computationally transfer these labels to new datasets. Also, different studies used different approaches or criteria to define the cell subtypes for the same major cell lineages. The relationships between the cell subtypes defined in different studies should be carefully evaluated. In this updated package scCancer2, designed for integrative tumor scRNA-seq data analysis, we developed a supervised machine learning framework to annotate TME cells with annotated cell subtypes from 15 scRNA datasets with 594 samples in total. Based on the trained classifiers, we quantitatively constructed the similarity maps between the cell subtypes defined in different references by testing on all the 15 datasets. Secondly, to improve the identification of malignant cells, we designed a classifier by integrating large-scale pan-cancer TCGA bulk gene expression datasets and scRNA-seq datasets (10 cancer types, 159 samples, 652,160 cells). This classifier shows robust performances when no internal confidential reference cells are available. Thirdly, this package also integrated a module to process the seq-based spatial transcriptomic data and analyze the spatial features of TME. Software availability: http://lifeome.net/software/sccancer2/ .