Abstract The identification and characterization of circulating tumor cells (CTCs) are important for gaining insights into the biology of metastatic cancers, monitoring disease progression, and medical management of the disease. The limiting factor that hinders enrichment of purified CTC populations is their sparse availability, heterogeneity, and altered phenotypic traits relative to the tumor of origin. Intensive research both at the technical and molecular fronts led to the development of assays that ease CTC detection and identification from the peripheral blood. Most CTC detection methods use a mix of size selection, immune marker based white blood cells (WBC) depletion, and positive enrichment antibodies targeting tumor-associated antigens. However, the majority of these methods either miss out on atypical CTCs or suffer from WBC contamination. Single-cell RNA sequencing (scRNA-Seq) of CTCs provides a wealth of information about their tumors of origin as well as their fate and is a potent method of enabling unbiased identification of CTCs. We present unCTC, an R package for unbiased identification and characterization of CTCs from single-cell transcriptomic data. unCTC features many standard and novel computational and statistical modules for various analysis tasks. These include a novel method of scRNA-Seq clustering, named D eep D ictionary L earning using K -means clustering cost (DDLK), expression based copy number variation (CNV) inference, and combinatorial, marker-based verification of the malignant phenotypes. DDLK enables robust segregation of CTCs and WBCs in the pathway space, as opposed to the gene expression space. We validated the utility of unCTC on scRNA-Seq profiles of breast CTCs from six patients, captured and profiled using an integrated ClearCell ® FX and Polaris TM workflow that works by the principles of size-based separation of CTCs and marker based WBC depletion.

Recent developments in sequencing technologies have created new opportunities to generate high-throughput biological data at an affordable price. Such high-throughput data needs immense computational resources for performing transcript assembly. Further, a high-end storage facility is needed to store the analyzed data and raw data. Here comes the need for centralized repositories to store such mountains of raw and analyzed data. Hence, it is of utmost importance to ensure data privacy for storing the data while performing transcript assembly. In this paper, we have developed a protocol named SecDATA which performs de novo transcript assembly ensuring data security. It consists of two modules. The first module deals with a framework for secured access and storage of data. The novelty of the first module lies in the employment of distributed ledger technology for data storage that ensures the privacy of the data. The second module deals with the development of an optimized graph-based method for de novo transcript assembly. We have compared our results with the state-of-art method de Bruijn graph and the popular pipeline Trinity, for transcript reconstruction, and our protocol outperforms them.

Abstract Dendritic cell (DC) dysfunctions exacerbate intestinal pathologies. However, the mechanisms compromising DC-mediated immune controls remain unclear. We found that intestinal DCs from mice subjected to experimental colitis possessed heightened non-canonical NF-κB signaling, which activates the RelB:p52 heterodimer. Genetic inactivation of this pathway in DCs alleviated inflammation in colitogenic mice. Unexpectedly, RelB:p52 deficiency diminished the transcription of Axin1, a critical component of the β-catenin destruction complex. This reinforced β-catenin-driven expression of Raldh2, which imparts tolerogenic DC attributes by promoting retinoic acid (RA) synthesis. Indeed, DC-specific non-canonical NF-κB impairment improved the colonic frequency of Tregs and IgA + B cells, which fostered luminal IgA and eubiosis. Introducing β-catenin haploinsufficiency in non-canonical NF-κB-deficient DCs moderated Raldh2 activity, reinstating colitogenic sensitivity in mice. Finally, IBD patients displayed a deleterious non-canonical NF-κB signature in intestinal DCs. In sum, we establish a DC network that integrates non-canonical NF-κB signaling to subvert RA metabolic pathway in fueling intestinal inflammation. Significance (100) Distorted dendritic cell (DC) functions have been implicated in aberrant intestinal inflammation; however, the underlying mechanism remains obscure. We discovered that the non-canonical NF-κB pathway exacerbates inflammation in the colitogenic gut by downmodulating β-catenin-driven synthesis of Raldh2 in DCs. Raldh2 represents a key enzyme involved in the production of tolerogenic retinoic acid in intestinal DCs. Beyond regulating immune genes, therefore, non-canonical NF-κB signaling appears to instruct retinoic acid-mediated control of gut health. While we illustrate a DC network integrating immune signaling and micronutrient metabolic pathways in the intestine, our finding may have broad relevance for nutritional interventions in inflammatory ailments. eToC Deka and Kumar et al . illustrate a DC-circuitry that exacerbates intestinal inflammation in IBD patients and colitogenic mice. Non-canonical NF-κB signaling restrains β-catenin in DCs to downmodulate Raldh2, which promotes tolerogenic RA synthesis, leading to diminished Treg and IgA + cell frequencies in the gut. Highlights Aberrant intestinal inflammation is associated with and exacerbated by non-canonical NF-κB signaling in DCs. Non-canonical signaling restrains the tolerogenic β-catenin-Raldh2 axis in DCs by upregulating Axin1. DC-specific RelB:p52 impairment promotes β-catenin-dependent Treg accumulation in the gut. A DC defect of non-canonical signaling causes β-catenin-dependent increase in luminal sIgA, fostering the gut microbiome. One sentence The non-canonical NF-κB pathway fuels intestinal inflammation by waning the tolerogenic β-catenin-Raldh2-retinoic acid axis in DCs.

Abstract As the field of single-cell genomics continues to develop, the generation of large-scale scRNA-seq datasets has become more prevalent. While these datasets offer tremendous potential for shedding light on the complex biology of individual cells, the sheer volume of data presents significant challenges for management and analysis. To address these challenges, a new discipline, known as “big single-cell data science,” has emerged. Within this field, a variety of computational tools have been developed to facilitate the processing and interpretation of scRNA-seq data. In this paper, we present a novel parallel analytical framework, scSPARKL, that leverages the power of Apache Spark to enable the efficient analysis of single-cell transcriptomic data. Our methodology incorporates six key operations for dealing with single-cell Big Data, including data reshaping, data preprocessing, cell/gene filtering, data normalization, dimensionality reduction, and clustering. By utilizing Spark’s unlimited scalability, fault tolerance, and parallelism, scSPARKL enables researchers to rapidly and accurately analyze scRNA-seq datasets of any size. We demonstrate the utility of our framework through a series of experiments on simulated and real-world scRNA-seq data. Overall, our results suggest that scSPARKL represents a powerful and flexible tool for the analysis of single-cell transcriptomic data, with broad applications across the fields of biology and medicine.

Abstract Objective: Ovarian reserve and hence ovarian response has a key role in assisted reproductive technology and predicting response to gonadotrophins in controlled ovarian hyperstimulation. Various tools, namely follicle-stimulating hormone (FSH), anti-Mullerian hormone (AMH), antral follicle count (AFC), estradiol, etc., have been studied to discover the best determinant of ovarian reserve. The aim of our study is to correlate different reproductive hormones with age of women to estimate ovarian reserve and to evaluate reliable marker for aiding infertility treatment. Materials and Methods: It is an observational study performed for 6 months, with 88 women (aged 21–39 years) having a complaint of infertility, enrolled in the infertility clinic of a tertiary care hospital. Baseline scan for AFC was done for every patient and their blood was sent for serum FSH, AMH analysis. Statistical procedures were employed to determine the association between age and reproductive hormones (i.e. FSH and AMH) as independent variables and AFC as a dependent variable. Results: A strong negative correlation was noted between FSH and AMH and between age and AMH ( r = −0.492 and r = −0.498, respectively). A weak negative correlation was seen between AMH and total AFC ( r = −0.241). A moderate positive correlation was seen on comparing age and FSH ( r = 0.331), whereas no correlation was seen on comparing FSH with AFC and AMH with AFC. The presence of ovarian cyst did not affect AMH or AFC but reduced FSH values significantly. Conclusion: In the quest to determine a panel test for ovarian reserve testing we conclude, FSH and AFC should perform fairly in poor resource and low socioeconomic setting. The combination of FSH with AMH and AFC might aid in better determination of ovarian reserve in tertiary centers with available resources.

ABSTRACT Single-cell RNA-sequencing (scRNA-seq) coupled with robust computational analysis facilitates the characterization of phenotypic heterogeneity within tumors. Current scRNA-seq analysis pipelines are capable of identifying a myriad of malignant and non-malignant cell subtypes from single-cell profiling of tumors. However, given the extent of intra-tumoral heterogeneity, it is challenging to assess the risk associated with individual malignant cell subpopulations, primarily due to the complexity of the cancer phenotype space and the lack of clinical annotations associated with tumor scRNA-seq studies. To this end, we introduce SCellBOW, a scRNA-seq analysis framework inspired by document embedding techniques from the domain of Natural Language Processing (NLP). SCellBOW is a novel computational approach that facilitates effective identification and high-quality visualization of single-cell subpopulations. We compared SCellBOW with existing best practice methods for its ability to precisely represent phenotypically divergent cell types across multiple scRNA-seq datasets, including our in-house generated human splenocyte and matched peripheral blood mononuclear cell (PBMC) dataset. For malignant cells, SCellBOW estimates the relative risk associated with each cluster and stratifies them based on their aggressiveness. This is achieved by simulating how the presence or absence of a specific malignant cell subpopulation influences disease prognosis. Using SCellBOW, we identified a hitherto unknown and pervasive AR−/NE low (androgen-receptor-negative, neuroendocrine-low) malignant subpopulation in metastatic prostate cancer with conspicuously high aggressiveness. Overall, the risk-stratification capabilities of SCellBOW hold promise for formulating tailored therapeutic interventions by identifying clinically relevant tumor subpopulations and their impact on prognosis.

Abstract We introduce InGene , the first of its kind, fast and scalable non-linear, unsupervised method for analyzing single-cell RNA sequencing data (scRNA-seq). While non-linear dimensionality reduction techniques such as t-SNE and UMAP are effective at visualizing cellular sub-populations in low-dimensional space, they do not identify the specific genes that influence the transformation. InGene addresses this issue by assigning an importance score to each expressed gene based on its contribution to the construction of the low-dimensional map. InGene can provide insight into the cellular heterogeneity of scRNA-seq data and accurately identify genes associated with cell-type populations or diseases, as demonstrated in our analysis of scRNA-seq datasets.

Abstract Inter and intra-tumoral heterogeneity are major stumbling blocks in the treatment of cancer and are responsible for imparting differential drug responses in cancer patients. Recently, the availability of large-scale drug screening datasets has provided an opportunity for predicting appropriate patient-tailored therapies by employing machine learning approaches. In this study, we report a predictive modeling approach to infer treatment response in cancers using gene expression data. In particular, we demonstrate the benefits of considering integrated chemogenomics approach, utilizing the molecular drug descriptors and pathway activity information as opposed to gene expression levels. We performed extensive validation of our approach on tissue-derived single-cell and bulk expression data. Further, we constructed several prostate cancer cell lines and xenografts, exposed to differential treatment conditions to assess the predictability of the outcomes. Our approach was further assessed on pan-cancer RNA-sequencing data from The Cancer Genome Atlas (TCGA) archives, as well as an independent clinical trial study describing the treatment journey of three melanoma patients. To summarise, we benchmarked the proposed approach on cancer RNA-seq data, obtained from cell lines, xenografts, as well as humans. We concluded that pathway-activity patterns in cancer cells are reasonably indicative of drug resistance, and therefore can be leveraged in personalized treatment recommendations.