ABSTRACT Acquired therapy resistance is a major problem for anticancer treatment, yet the underlying molecular mechanisms remain unclear. Using an established breast cancer cellular model for endocrine resistance, we show that hormone resistance is associated with enhanced phenotypic plasticity, indicated by a general downregulation of luminal/epithelial differentiation markers and upregulation of basal/mesenchymal invasive markers. Our extensive omics studies, including GRO-seq on enhancer landscapes, demonstrate that the global enhancer gain/loss reprogramming driven by the differential interactions between ERα and other oncogenic transcription factors (TFs), predominantly GATA3 and AP1, profoundly alters breast cancer transcriptional programs. Our functional studies in multiple biological systems including culture and xenograft models of MCF7 and T47D lines support a coordinate role of GATA3 and AP1 in enhancer reprogramming that promotes phenotypic plasticity and endocrine resistance. Collectively, our study implicates that changes in TF-TF and TF-enhancer interactions can lead to genome-wide enhancer reprogramming, resulting in transcriptional dysregulations that promote plasticity and cancer therapy-resistance progression.

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 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.

Abstract Endometriosis is an invasive disease, and a leading cause of pain, infertility and disability among women, with an incidence 10 fold that of cancer. A more complete understanding of disease pathogenesis is essential for the development of non-surgical diagnostic assays and non-hormonal therapeutics. Avoidance of immune clearance and implantation of endometrial tissue on peritoneal surfaces are features of endometriosis lesion formation that overlap with cancer metastasis. Connexins, and the gap junctions they form, have been implicated in cancer progression, and may be associated endometriosis pathophysiology. Single cell transcriptomic profiling of endometrial epithelial and stromal cells from women with endometriosis reveals a striking and progressive shift in expression of connexins and related regulatory and junctional genes. We demonstrate that gap junction coupling between endometrial cells and the peritoneal mesothelium is dramatically induced, specifically in endometriosis patients, and is required for invasion by inducing breakdown of the mesothelial barrier function.

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.