Background The native extracellular matrix (ECM) consists of a highly complex, tissue-specific network of proteins and polysaccharides, which help regulate many cellular functions. Despite the complex nature of the ECM, in vitro cell-based studies traditionally assess cell behavior on single ECM component substrates, which do not adequately mimic the in vivo extracellular milieu. Methodology/Principal Findings We present a simple approach for developing naturally derived ECM coatings for cell culture that provide important tissue-specific cues unlike traditional cell culture coatings, thereby enabling the maturation of committed C2C12 skeletal myoblast progenitors and human embryonic stem cells differentiated into cardiomyocytes. Here we show that natural muscle-specific coatings can (i) be derived from decellularized, solubilized adult porcine muscle, (ii) contain a complex mixture of ECM components including polysaccharides, (iii) adsorb onto tissue culture plastic and (iv) promote cell maturation of committed muscle progenitor and stem cells. Conclusions This versatile method can create tissue-specific ECM coatings, which offer a promising platform for cell culture to more closely mimic the mature in vivo ECM microenvironment.

Soomro, Qandeel; Mezzano, Valeria; Narula, Navneet; Rapkiewicz, Amy; Loomis, Cynthia; Charytan, David M. Author Information

Tumor mutations can influence the surrounding microenvironment leading to suppression of anti-tumor immune responses and thereby contributing to tumor progression and failure of cancer therapies. Here we use genetically engineered lung cancer mouse models and patient samples to dissect how LKB1 mutations accelerate tumor growth by reshaping the immune microenvironment. Comprehensive immune profiling of LKB1 -mutant vs wildtype tumors revealed dramatic changes in myeloid cells, specifically enrichment of Arg1 + interstitial macrophages and SiglecF Hi neutrophils. We discovered a novel mechanism whereby autocrine LIF signaling in Lkb1 -mutant tumors drives tumorigenesis by reprogramming myeloid cells in the immune microenvironment. Inhibiting LIF signaling in Lkb1 -mutant tumors, via gene targeting or with a neutralizing antibody, resulted in a striking reduction in Arg1 + interstitial macrophages and SiglecF Hi neutrophils, expansion of antigen specific T cells, and inhibition of tumor progression. Thus, targeting LIF signaling provides a new therapeutic approach to reverse the immunosuppressive microenvironment of LKB1 -mutant tumors.

ABSTRACT Chikungunya virus (CHIKV) infection has been associated with severe cardiac manifestations, yet, how CHIKV infection leads to heart disease remains unknown. Here, we leveraged both mouse models and human primary cells to define the mechanisms of CHIKV heart infection. We found that CHIKV actively replicates in cardiac fibroblasts and is cleared without significant tissue damage through the induction of a local type-I interferon response from both infected and non-infected cardiac cells. Importantly, signaling through the mitochondrial antiviral-signaling protein (MAVS) is required for viral clearance from the heart. In the absence of MAVS, persistent infection leads to focal myocarditis and major vessel vasculitis persisting for up to 60 days post-infection, suggesting CHIKV can lead to vascular inflammation and potential long-lasting cardiovascular complications. This study provides a model of CHIKV cardiac infection and mechanistic insight into CHIKV-induced heart disease, underscoring the importance of monitoring cardiac function in patients with CHIKV infections.

The interaction between tumors and their microenvironment is complex and heterogeneous. Recent developments in high-dimensional multiplexed imaging have revealed the spatial organization of tumor tissues at the molecular level. However, the discovery and thorough characterization of the tumor microenvironment (TME) remains challenging due to the scale and complexity of the images. Here, we propose a self-supervised representation learning framework, CANVAS, that enables discovery of novel types of TMEs. CANVAS is a vision transformer that directly takes high-dimensional multiplexed images and is trained using self-supervised masked image modeling. In contrast to traditional spatial analysis approaches which rely on cell segmentations, CANVAS is segmentation-free, utilizes pixel-level information, and retains local morphology and biomarker distribution information. This approach allows the model to distinguish subtle morphological differences, leading to precise separation and characterization of distinct TME signatures. We applied CANVAS to a lung tumor dataset and identified and validated a monocytic signature that is associated with poor prognosis.

Abstract Diagnosis of most diseases relies on expert histopathological evaluation of tissue sections by an experienced pathologist. By using standardized staining techniques and an expanding repertoire of markers, a trained eye is able to recognize disease-specific patterns with high accuracy and determine a diagnosis. As efforts to study mechanisms of metastasis and novel therapeutic approaches multiply, researchers need accurate, high-throughput methods to evaluate effects on tumor burden resulting from specific interventions. However, current methods of quantifying tumor burden are low in either resolution or throughput. Artificial neural networks, which can perform in-depth image analyses of tissue sections, provide an opportunity for automated recognition of consistent histopathological patterns. In order to increase the outflow of data collection from preclinical studies, we trained a deep neural network for quantitative analysis of melanoma tumor content on histopathological sections of murine models. This AI-based algorithm, made freely available to academic labs through a web-interface called MetFinder, promises to become an asset for researchers and pathologists interested in accurate, quantitative assessment of metastasis burden.