Abstract The ability to understand and predict molecular responses towards external perturbations is a core question in molecular biology. Technological advancements in the recent past have enabled the generation of high-resolution single-cell data, making it possible to profile individual cells under different experimentally controlled perturbations. However, cells are typically destroyed during measurement, resulting in unpaired distributions over either perturbed or non-perturbed cells. Leveraging the theory of optimal transport and the recent advents of convex neural architectures, we learn a coupling describing the response of cell populations upon perturbation, enabling us to predict state trajectories on a single-cell level. We apply our approach, C ell OT, to predict treatment responses of 21,650 cells subject to four different drug perturbations. C ell OT outperforms current state-of-the-art methods both qualitatively and quantitatively, accurately capturing cellular behavior shifts across all different drugs.

How overall tumor growth emerges from the properties of functionally heterogeneous tumor cell subpopulations is a fundamental question of cancer biology. Here we combined lineage tracing, continuous monitoring of tumor mass, proliferation assays and transcriptomics with mathematical modeling and statistical inference to dissect the growth of glioblastoma in mice. We found that tumors grow exponentially at the rate of symmetric divisions of brain tumor stem cells (BTSCs). Spatial modeling predicts, and data show, that BTSCs accumulate at the tumor rim rather than in the core. The physiological differentiation hierarchy downstream of BTSCs is preserved in mice and humans: transit amplifying progenitors give rise to terminally differentiated cells. Consistent with our quantification of the mechanisms underlying tumor growth, molecular data show elevated expression of cell cycle- and migration-related genes in BTSCs. Our systematic approach reveals fundamental properties of glioblastoma and may be transferable to the study of other animal models of cancer.