Abstract Single-cell RNA sequencing (scRNAseq) offers an unprecedented potential for scrutinizing complex biological systems at single cell resolution. One of the most important applications of scRNAseq is to cluster cells into groups of similar expression profiles, which allows unsupervised identification of novel cell subtypes. While many clustering algorithms have been tested towards this goal, graph-based algorithms appear to be the most effective, due to their ability to accommodate the sparsity of the data, as well as the complex topology of the cell population. An integral part of almost all such clustering methods is the construction of a k -nearest-neighbor (KNN) network, and the choice of k , implicitly or explicitly, can have a profound impact on the density distribution of the graph and the structure of the resulting clusters, as well as the resolution of clusters that one can successfully identify from the data. In this work, we propose a fairly simple but robust approach to estimate the best k for constructing the KNN graph while simultaneously identifying the optimal clustering structure from the graph. Our method, named scQcut , employs a topology-based criterion to guide the construction of KNN graph, and then applies an efficient modularity-based community discovery algorithm to predict robust cell clusters. The results obtained from applying scQcut on a large number of real and synthetic datasets demonstrated that scQcut —which does not require any user-tuned parameters—outperformed several popular state-of-the-art clustering methods in terms of clustering accuracy and the ability to correctly identify rare cell types. The promising results indicate that an accurate approximation of the parameter k , which determines the topology of the network, is a crucial element of a successful graph-based clustering method to recover the final community structure of the cell population. Availability ScQcut is written in both Matlab and Python and maybe be accessed through the links below. Matlab version: cs.utsa.edu/ jruan/scQcut Python version: https://github.com/mary77/scQcut Contact Jianhua.ruan@utsa.edu

Abstract Substance use disorders (SUD) and drug addiction are major threats to public health, impacting not only the millions of individuals struggling with SUD, but also surrounding families and communities. One of the seminal challenges in treating and studying addiction in human populations is the high prevalence of co-morbid conditions, including an increased risk of contracting a human immunodeficiency virus (HIV) infection. Of the ~15 million people who inject drugs globally, 17% are persons with HIV. Conversely, HIV is a risk factor for SUD because chronic pain syndromes, often encountered in persons with HIV, can lead to an increased use of opioid pain medications that in turn can increase the risk for opioid addiction. We hypothesize that SUD and HIV exert shared effects on brain cell types, including adaptations related to neuroplasticity, neurodegeneration, and neuroinflammation. Basic research is needed to refine our understanding of these affected cell types and adaptations. Studying the effects of SUD in the context of HIV at the single-cell level represents a compelling strategy to understand the reciprocal interactions among both conditions, made feasible by the availability of large, extensively-phenotyped human brain tissue collections that have been amassed by the Neuro-HIV research community. In addition, sophisticated animal models that have been developed for both conditions provide a means to precisely evaluate specific exposures and stages of disease. We propose that single-cell genomics is a uniquely powerful technology to characterize the effects of SUD and HIV in the brain, integrating data from human cohorts and animal models. We have formed the Single-Cell Opioid Responses in the Context of HIV (SCORCH) consortium to carry out this strategy.

Abstract Osteosarcoma (OS) is a lethal disease with few known targeted therapies. Here we show that decreased ATRX expression is associated with more aggressive tumor cell phenotypes, including increased growth, migration, invasion, and metastasis. These phenotypic changes correspond with activation of NF-κB signaling, extracellular matrix remodeling, increased integrin αvβ3 expression, and ETS family transcription factor binding. Here we characterize these changes in vitro , in vivo , and in a dataset of human OS patients. This increased aggression substantially sensitizes ATRX -deficient OS cells to integrin signaling inhibition. Thus, ATRX plays an important tumor suppression role in OS, and loss of function of this gene may underlie new therapeutic vulnerabilities. The relationship between ATRX expression and integrin binding, NF-κB activation, and ETS family transcription factor binding has not been described in previous studies and may impact the pathophysiology of other diseases with ATRX loss, including other cancers and the ATR-X alpha thalassemia mental retardation syndrome.

Single-cell RNA-seq technologies are rapidly evolving but while very informative, in standard scRNAseq experiments the spatial organization of the cells in the tissue of origin is lost. Conversely, spatial RNA-seq technologies designed to keep the localization of the cells have limited throughput and gene coverage. Mapping scRNAseq to genes with spatial information increases coverage while providing spatial location. However, methods to perform such mapping have not yet been benchmarked. To bridge the gap, we organized the DREAM Single-Cell Transcriptomics challenge focused on the spatial reconstruction of cells from the Drosophila embryo from scRNAseq data, leveraging as gold standard genes with in situ hybridization data from the Berkeley Drosophila Transcription Network Project reference atlas. The 34 participating teams used diverse algorithms for gene selection and location prediction, while being able to correctly localize rare subpopulations of cells. Selection of predictor genes was essential for this task and such genes showed a relatively high expression entropy, high spatial clustering and the presence of prominent developmental genes such as gap and pair-ruled genes and tissue defining markers.

Metabolic reprogramming in cancer cells not only sustains bioenergetic and biosynthetic needs but also influences transcriptional programs, yet how chromatin regulatory networks are rewired by altered metabolism remains elusive. Here we investigate genome-scale chromatin remodeling in response to 2-hydroxyglutarate (2HG) oncometabolite using single-cell assay for transposase accessible chromatin with sequencing (scATAC-seq). We find that 2HG enantiomers differentially disrupt exquisite control of epigenome integrity by limiting α-ketoglutarate (αKG)-dependent DNA and histone demethylation, while enhanced cell-to-cell variability in the chromatin regulatory landscape is most evident upon exposure to L2HG enantiomer. Despite the highly heterogeneous responses, 2HG largely recapitulates two prominent hallmarks of the breast cancer epigenome, i.e., global loss of 5-hydroxymethylcytosine (5hmC) and promoter hypermethylation, particularly at tumor suppressor genes involved in DNA damage repair and checkpoint control. Single-cell mass cytometry further demonstrates downregulation of BRCA1, MSH2 and MLH1 in 2HG-responsive subpopulations, along with acute reversal of chromatin remodeling upon withdrawal. Collectively, this study provides a molecular basis for metabolism-epigenome coupling and identifies metabolic vulnerabilities imposed on the breast cancer epigenome.