Abstract The diagnosis of focal segmental glomerulosclerosis (FSGS) requires a renal biopsy, which is invasive and can be problematic in children and in some adults. We used single cell RNA-sequencing to explore disease-related cellular signatures in 23 urine samples from 12 FSGS subjects. We identified immune cells, predominantly monocytes, and renal epithelial cells, including podocytes. Analysis revealed M1 and M2 monocyte subsets, and podocytes showing high expression of genes for epithelial-to-mesenchymal transition (EMT). We confirmed M1 and M2 gene signatures using published monocyte/macrophage data from lupus nephritis and cancer. Using renal transcriptomic data from the Nephrotic Syndrome Study Network (NEPTUNE), we found that urine cell immune and EMT signature genes showed higher expression in FSGS biopsies compared to minimal change disease biopsies. These results suggest that urine cell profiling may serve as a diagnostic and prognostic tool in nephrotic syndrome and aid in identifying novel biomarkers and developing personalized therapeutic strategies.

We report a tumor-specific causal inference (TCI) framework, which discovers causative somatic genome alterations (SGAs) through inferring causal relationships between SGAs and molecular phenotypes (e.g., transcriptomic, proteomic, or metabolomic changes) within an individual tumor. We applied the TCI algorithm to tumors from The Cancer Genome Atlas (TCGA) and identified those SGAs that causally regulate the differentially expressed genes (DEGs) within each tumor. Overall, TCI identified 634 SGAs that cause cancer-related DEGs in a significant number of tumors, including most of the previously known drivers and many novel candidate cancer drivers. The inferred causal relationships are statistically robust and biologically sensible, and multiple lines of experimental evidence support the predicted functional impact of both well-known and novel candidate drivers. By identifying major candidate drivers and revealing their functional impact in a tumor, TCI shed light on disease mechanisms of each tumor, providing useful information for advancing cancer biology and precision oncology.

Granulocyte colony stimulating factor (G-CSF) is commonly used as adjunct treatment to hasten recovery from neutropenia following chemotherapy and autologous transplantation of hematopoietic stem and progenitor cells (HSPCs) for malignant disorders. However, the utility of G-CSF administration after ex vivo gene therapy procedures targeting human HSPCs has not been thoroughly evaluated. Here, we provide evidence that post-transplant administration of G-CSF impedes engraftment of CRISPR-Cas9 gene edited human HSPCs in xenograft models. G-CSF acts by exacerbating the p53-mediated DNA damage response triggered by Cas9- mediated DNA double-stranded breaks. Transient p53 inhibition in culture attenuates the negative impact of G-CSF on gene edited HSPC function. In contrast, post-transplant administration of G-CSF does not impair the repopulating properties of unmanipulated human HSPCs or HSPCs genetically engineered by transduction with lentiviral vectors. The potential for post-transplant G-CSF administration to aggravate HSPC toxicity associated with CRISPR-Cas9 gene editing should be considered in the design of ex vivo autologous HSPC gene editing clinical trials.

Single-cell RNA sequencing (scRNA-seq) has become a very powerful technology for biomedical research and is becoming much more affordable as methods continue to evolve, but it is unknown how reproducible different platforms are using different bioinformatics pipelines, particularly the recently developed scRNA-seq batch correction algorithms. We carried out a comprehensive multi-center cross-platform comparison on different scRNA-seq platforms using standard reference samples. We compared six preprocessing pipelines, seven bioinformatics normalization procedures, and seven batch effect correction methods including CCA, MNN, Scanorama, BBKNN, Harmony, limma and ComBat to evaluate the performance and reproducibility of 20 scRNA-seq datasets derived from four different platforms and centers. We benchmarked scRNA-seq performance across different platforms and testing sites using global gene expression profiles as well as some cell-type specific marker genes. We showed that there were large batch effects; and the reproducibility of scRNA-seq across platforms was dictated both by the expression level of genes selected and the batch correction methods used. We found that CCA, MNN, and BBKNN all corrected the batch variations fairly well for the scRNA-seq data derived from biologically similar samples across platforms/sites. However, for the scRNA-seq data derived from or consisting of biologically distinct samples, limma and ComBat failed to correct batch effects, whereas CCA over-corrected the batch effect and misclassified the cell types and samples. In contrast, MNN, Harmony and BBKNN separated biologically different samples/cell types into correspondingly distinct dimensional subspaces; however, consistent with this algorithm's logic, MNN required that the samples evaluated each contain a shared portion of highly similar cells. In summary, we found a great cross-platform consistency in separating two distinct samples when an appropriate batch correction method was used. We hope this large cross-platform/site scRNA-seq data set will provide a valuable resource, and that our findings will offer useful advice for the single-cell sequencing community.