Circadian rhythms control metabolism and energy homeostasis, but the role of the skeletal muscle clock has never been explored. We generated conditional and inducible mouse lines with muscle-specific ablation of the core clock gene Bmal1. Skeletal muscles from these mice showed impaired insulin-stimulated glucose uptake with reduced protein levels of GLUT4, the insulin-dependent glucose transporter, and TBC1D1, a Rab-GTPase involved in GLUT4 translocation. Pyruvate dehydrogenase (PDH) activity was also reduced due to altered expression of circadian genes Pdk4 and Pdp1, coding for PDH kinase and phosphatase, respectively. PDH inhibition leads to reduced glucose oxidation and diversion of glycolytic intermediates to alternative metabolic pathways, as revealed by metabolome analysis. The impaired glucose metabolism induced by muscle-specific Bmal1 knockout suggests that a major physiological role of the muscle clock is to prepare for the transition from the rest/fasting phase to the active/feeding phase, when glucose becomes the predominant fuel for skeletal muscle.

ABSTRACT Tumour immunity is key for the prognosis and treatment of colon adenocarcinoma, but its characterisation remains cumbersome and expensive, requiring sequencing or other complex assays. Detecting tumour-infiltrating lymphocytes in haematoxylin and eosin (H&E) slides of cancer tissue would provide a cost-effective alternative to support clinicians in treatment decisions, but inter- and intra-observer variability can arise even amongst experienced pathologists. Furthermore, the compounded effect of other cells in the tumour microenvironment is challenging to quantify but could yield useful additional biomarkers. We combined RNA sequencing, digital pathology and deep learning through the InceptionV3 architecture to develop a fully automated computer vision model that detects prognostic tumour immunity levels in H&E slides of colon adenocarcinoma with an area under the curve (AUC) of 82%. Amongst tumour infiltrating T cell subsets, we demonstrate that CD8+ effector memory T cell patterns are most recognisable algorithmically with an average AUC of 83%. We subsequently applied nuclear segmentation and classification via HoVer-Net to derive complex cell-cell interaction graphs, which we queried efficiently through a bespoke Neo4J graph database. This uncovered stromal barriers and lymphocyte triplets that could act as structural hallmarks of low immunity tumours with poor prognosis. Our integrated deep learning and graph-based workflow provides evidence for the feasibility of automated detection of complex immune cytotoxicity patterns within H&E-stained colon cancer slides, which could inform new cellular biomarkers and support treatment management of this disease in the future.

Therapy resistance in cancer is often driven by a subpopulation of cells that are temporarily arrested in a non-proliferative G0 state, which is difficult to capture and whose mutational drivers remain largely unknown. We developed methodology to robustly identify this state from transcriptomic signals and characterised its prevalence and genomic constraints in solid primary tumours. We show that G0 arrest preferentially emerges in the context of more stable, less mutated genomes which maintain TP53 integrity and lack the hallmarks of DNA damage repair deficiency, while presenting increased APOBEC mutagenesis. We employ machine learning to uncover novel genomic dependencies of this process and validate the role of the centrosomal gene CEP89 as a modulator of proliferation/G0 arrest capacity. Lastly, we demonstrate that G0 arrest underlies unfavourable responses to various therapies exploiting cell cycle, kinase signalling and epigenetic mechanisms in single cell data, and propose a G0 arrest transcriptional signature that is linked with therapeutic resistance and can be used to further study and clinically track this state.

ABSTRACT The epithelial to mesenchymal transition (EMT) is a key cellular process underlying cancer progression, with multiple intermediate states whose molecular hallmarks remain poorly characterized. To fill this gap, we explored EMT trajectories in 7,180 tumours of epithelial origin and identified three macro-states with prognostic and therapeutic value, attributable to epithelial, hybrid E/M and mesenchymal phenotypes. We show that the hybrid state is remarkably stable and linked with increased aneuploidy and APOBEC mutagenesis. We further employed spatial transcriptomics and single cell datasets to show that local effects impact EMT transformation through the establishment of distinct interaction patterns with cytotoxic, NK cells and fibroblasts in the tumour microenvironment. Additionally, we provide an extensive catalogue of genomic events underlying distinct evolutionary constraints on EMT transformation. This study sheds light on the aetiology of distinct stages along the EMT trajectory, and highlights broader genomic and environmental hallmarks shaping the mesenchymal transformation of primary tumours.