Abstract CAR T cell therapy has transformed clinical care and management of patients with certain hematological cancers. However, it remains unclear whether the success of CAR T cell therapy relies solely on CAR T cell engagement with tumor antigen, or if it also requires the stimulation of an individual patient’s endogenous T cell response. Here, we performed combined analysis of longitudinal, single cell RNA and T cell receptor sequencing on glioblastoma tumors, peripheral blood (PB), and cerebrospinal fluid (CSF) from a patient with recurrent multifocal glioblastoma that underwent a remarkable response followed by recurrence on IL13RA2-targeted CAR T cell therapy (Brown et al. 2016). Single cell analysis of a tumor resected prior to CAR T cell therapy revealed the existence of an inflamed tumor microenvironment including a CD8+ cytotoxic, clonally expanded and antigen specific T cell population that disappeared in the recurrent setting. Longitudinal tracking of T cell receptors uncovered distinct T cell dynamics classes in the CSF during CAR T cell therapy. These included T cell clones with transient dynamics, representing intraventricular CAR T cell delivery and endogenous T cell recruitment from the PB into the CSF; and a group of T cells in the cerebrospinal fluid, that tracked with clonally expanded tumor resident T cells and whose dynamics contracted concomitantly with tumor volume. Our results suggest the existence of an endogenous T cell population that was invigorated by intraventricular CAR T cell infusions, and combined with the therapy to produce a complete response.

The success of targeted cancer therapy is limited by drug resistance that can result from tumor genetic heterogeneity. The current approach to address resistance typically involves initiating a new treatment after clinical/radiographic disease progression, ultimately resulting in futility in most patients. Towards a potential alternative solution, we developed a novel computational framework that uses human cancer profiling data to systematically identify dynamic, pre-emptive, and sometimes non-intuitive treatment strategies that can better control tumors in real-time. By studying lung adenocarcinoma clinical specimens and preclinical models, our computational analyses revealed that the best anti-cancer strategies addressed existing resistant subpopulations as they emerged dynamically during treatment. In some cases, the best computed treatment strategy used unconventional therapy switching while the bulk tumor was responding, a prediction we confirmed in vitro. The new framework presented here could guide the principled implementation of dynamic molecular monitoring and treatment strategies to improve cancer control.

It has been shown that optimal controller synthesis for positive systems can be formulated as a linear program. Leveraging these results, we propose a scalable iterative algorithm for the systematic design of sparse, small gain feedback strategies that stabilize the evolutionary dynamics of a generic disease model. We achieve the desired feedback structure by augmenting the optimization problems with l1 and l2 regularization terms, and illustrate our method on an example inspired by an experimental study aimed at finding appropriate HIV neutralizing antibody therapy combinations in the presence of escape mutants.

Abstract Background The immune suppressive tumor microenvironment (TME) that inhibits T cell infiltration, survival, and anti-tumor activity has posed a major challenge for developing effective immunotherapies for solid tumors. Chimeric antigen receptor (CAR)-engineered T cell therapy has shown unprecedented clinical response in treating patients with hematological malignancies, and intense investigation is underway to achieve similar responses with solid tumors. Immunologically cold tumors, including prostate cancers, are often infiltrated with abundant tumor-associated macrophages (TAMs), and infiltration of CD163 + M2 macrophages correlates with tumor progression and poor responses to immunotherapy. However, the impact of TAMs on CAR T cell activity alone and in combination with TME immunomodulators is unclear. Methods To model this in vitro , we utilized a novel co-culture system with tumor cells, CAR T cells, and polarized M1 or M2 macrophages from CD14 + PBMCs collected from healthy human donors. Tumor cell killing, T cell activation and proliferation, and macrophage phenotypes were evaluated by flow cytometry, cytokine production, RNA sequencing, and functional blockade of signaling pathways using antibodies and small molecule inhibitors. We also evaluated the TME in humanized mice following CAR T cell therapy for validation of our in vitro findings. Results We observed inhibition of CAR T cell activity with the presence of M2 macrophages, but not M1 macrophages, coinciding with a robust induction of PD-L1 in M2 macrophages. We observed similar PD-L1 expression in TAMs following CAR T cell therapy in the TME of humanized mice. PD-L1, but not PD-1, blockade in combination with CAR T cell therapy altered phenotypes to more M1-like subsets and led to loss of CD163 + M2 macrophages via IFNγ signaling, resulting in improved anti-tumor activity of CAR T cells. Conclusion This study reveals an alternative mechanism by which the combination of CAR T cells and immune checkpoint blockade modulates the immune landscape of solid tumors to enhance therapeutic efficacy of CAR T cells.

ABSTRACT Aging increases breast cancer risk while an early first pregnancy reduces a woman’s life-long risk. Several studies have explored the effect of either aging or pregnancy on mammary epithelial cells (MECs), but the combined effect of both remains unclear. Here, we interrogate the functional and transcriptomic changes at single cell resolution in the mammary gland of aged nulliparous and parous mice to discover that pregnancy normalizes age-related imbalances in lineage composition, while also inducing a differentiated cell state. Importantly, we uncover a minority population of Il33 -expressing hybrid MECs with high cellular potency that accumulate in aged nulliparous mice but is significantly reduced in aged parous mice. Functionally, IL33 treatment of basal, but not luminal, epithelial cells from young mice phenocopies aged nulliparous MECs and promotes formation of organoids with Trp53 knockdown. Collectively, our study demonstrates that pregnancy blocks the age-associated loss of lineage integrity in the basal layer through a decrease in Il33+ hybrid MECs, potentially contributing to pregnancy-induced breast cancer protection.

Abstract Large single-cell RNA datasets have contributed to unprecedented biological insight. Often, these take the form of cell atlases and serve as a reference for automating cell labeling of newly sequenced samples. Yet, classification algorithms have lacked the capacity to accurately annotate cells, particularly in complex datasets. Here we present SIMS (Scalable, Interpretable Ma-chine Learning for Single-Cell), an end-to-end data-efficient machine learning pipeline for discrete classification of single-cell data that can be applied to new datasets with minimal coding. We benchmarked SIMS against common single-cell label transfer tools and demonstrated that it performs as well or better than state of the art algorithms. We then use SIMS to classify cells in one of the most complex tissues: the brain. We show that SIMS classifies cells of the adult cerebral cortex and hippocampus at a remarkably high accuracy. This accuracy is maintained in trans-sample label transfers of the adult hu-man cerebral cortex. We then apply SIMS to classify cells in the developing brain and demonstrate a high level of accuracy at predicting neuronal sub-types, even in periods of fate refinement, shedding light on genetic changes affecting specific cell types across development. Finally, we apply SIMS to single cell datasets of cortical organoids to predict cell identities and unveil genetic variations between cell lines. SIMS identifies cell-line differences and misannotated cell lineages in human cortical organoids derived from different pluripotent stem cell lines. When cell types are obscured by stress signals, label transfer from primary tissue improves the accuracy of cortical organoid annotations, serving as a reliable ground truth. Altogether, we show that SIMS is a versatile and robust tool for cell-type classification from single-cell datasets.

Our previous results proposed an iterative scalable algorithm for the systematic design of sparse, small gain feedback strategies that stabilize the evolutionary dynamics of a generic disease model with linear pharmacodynamics. In this manuscript, we use piecewise linear approximations to model nonlinear drug effects. We leverage results from optimal controller synthesis for positive systems to formulate the feedback synthesis problem as an optimization problem that sequentially explores piecewise linear subsystems corresponding to higher and higher treatment dosages.

Cell atlases serve as vital references for automating cell labeling in new samples, yet existing classification algorithms struggle with accuracy. Here we introduce SIMS (scalable, interpretable machine learning for single cell), a low-code data-efficient pipeline for single-cell RNA classification. We benchmark SIMS against datasets from different tissues and species. We demonstrate SIMS's efficacy in classifying cells in the brain, achieving high accuracy even with small training sets (<3,500 cells) and across different samples. SIMS accurately predicts neuronal subtypes in the developing brain, shedding light on genetic changes during neuronal differentiation and postmitotic fate refinement. Finally, we apply SIMS to single-cell RNA datasets of cortical organoids to predict cell identities and uncover genetic variations between cell lines. SIMS identifies cell-line differences and misannotated cell lineages in human cortical organoids derived from different pluripotent stem cell lines. Altogether, we show that SIMS is a versatile and robust tool for cell-type classification from single-cell datasets.