With the development of single-cell RNA sequencing (scRNA-seq) technology, it has become possible to perform large-scale transcript profiling for tens of thousands of cells in a single experiment. Many analysis pipelines have been developed for data generated from different high-throughput scRNA-seq platforms, bringing a new challenge to users to choose a proper workflow that is efficient, robust and reliable for a specific sequencing platform. Moreover, as the amount of public scRNA-seq data has increased rapidly, integrated analysis of scRNA-seq data from different sources has become increasingly popular. However, it remains unclear whether such integrated analysis would be biased if the data were processed by different upstream pipelines. In this study, we encapsulated seven existing high-throughput scRNA-seq data processing pipelines with Nextflow, a general integrative workflow management framework, and evaluated their performances in terms of running time, computational resource consumption, and data processing consistency using nine public datasets generated from five different high-throughput scRNA-seq platforms. Our work provides a useful guideline for the selection of scRNA-seq data processing pipelines based on their performances on different real datasets. In addition, these guidelines can serve as a performance evaluation framework for future developments in high-throughput scRNA-seq data processing.

Immune checkpoint inhibitor (ICI) treatments produce clinical benefit in many patients. However, better pretreatment predictive biomarkers for ICI are still needed to help match individual patients to the treatment most likely to be of benefit. Existing gene expression profiling (GEP)-based biomarkers for ICI are primarily focused on measuring a T cell-inflamed tumour microenvironment that contributes positively to the response to ICI. Here, we identified an immunosuppression signature (IMS) through analysing RNA sequencing data from a combined discovery cohort (n = 120) consisting of three publicly available melanoma datasets. Using the ratio of an established IFN-γ signature and IMS led to consistently better prediction of the ICI therapy outcome compared to a collection of nine published GEP signatures from the literature on a newly generated internal validation cohort (n = 55) and three published datasets of metastatic melanoma treated with anti-PD-1 (n = 48) and anti-CTLA-4 (n = 42) as well as in patients with gastric cancer treated with anti-PD-1 (n = 45), demonstrating the potential utility of IMS as a predictive/prognostic biomarker that complements existing GEP signatures for immunotherapy.### Competing Interest StatementThe authors have declared no competing interest.

We developed DreamDIA-XMBD, a software suite for data-independent acquisition (DIA) data analysis. DreamDIA-XMBD adopts a data-driven strategy to capture comprehensive information from elution patterns of target peptides in DIA data and achieves considerable improvements on both identification and quantification performance compared with other state-of-the-art methods such as OpenSWATH, Skyline and DIA-NN. More specifically, in contrast to existing methods which use only 6 to 10 selected transitions from spectral library, DreamDIA-XMBD extracts additional features from dozens of theoretical elution profiles originated from different ions of each precursor using a deep representation network. To achieve higher coverage of target peptides without sacrificing specificity, the extracted features are further processed by non-linear discriminative models under the framework of positive-unlabeled learning with decoy peptides as affirmative negative controls. DreamDIA-XMBD is written in Python, and is publicly available at https://github.com/xmuyulab/Dream-DIA-XMBD for high coverage and precision DIA data analysis.