Blood myeloid cells are known to be dysregulated in coronavirus disease 2019 (COVID-19), caused by SARS-CoV-2. It is unknown whether the innate myeloid response differs with disease severity and whether markers of innate immunity discriminate high-risk patients. Thus, we performed high-dimensional flow cytometry and single-cell RNA sequencing of COVID-19 patient peripheral blood cells and detected disappearance of non-classical CD14LowCD16High monocytes, accumulation of HLA-DRLow classical monocytes (Human Leukocyte Antigen - DR isotype), and release of massive amounts of calprotectin (S100A8/S100A9) in severe cases. Immature CD10LowCD101−CXCR4+/− neutrophils with an immunosuppressive profile accumulated in the blood and lungs, suggesting emergency myelopoiesis. Finally, we show that calprotectin plasma level and a routine flow cytometry assay detecting decreased frequencies of non-classical monocytes could discriminate patients who develop a severe form of COVID-19, suggesting a predictive value that deserves prospective evaluation.

Purpose The aim of the current study was to conduct a pooled analysis of studies that have investigated the prognostic value of tumor-infiltrating lymphocytes (TILs) in early-stage triple negative breast cancer (TNBC). Methods Participating studies had evaluated the percentage infiltration of stromally located TILs (sTILs) that were quantified in the same manner in patient diagnostic samples of early-stage TNBC treated with anthracycline-based chemotherapy with or without taxanes. Cox proportional hazards regression models stratified by trial were used for invasive disease-free survival (iDFS; primary end point), distant disease-free survival (D-DFS), and overall survival (OS), fitting sTILs as a continuous variable adjusted for clinicopathologic factors. Results We collected individual data from 2,148 patients from nine studies. Average age was 50 years (range, 22 to 85 years), and 33% of patients were node negative. The average value of sTILs was 23% (standard deviation, 20%), and 77% of patients had 1% or more sTILs. sTILs were significantly lower with older age ( P = .001), larger tumor size ( P = .01), more nodal involvement ( P = .02), and lower histologic grade ( P = .001). A total of 736 iDFS and 548 D-DFS events and 533 deaths were observed. In the multivariable model, sTILs added significant independent prognostic information for all end points (likelihood ratio χ 2 , 48.9 iDFS; P < .001; χ 2 , 55.8 D-DFS; P < .001; χ 2 , 48.5 OS; P < .001). Each 10% increment in sTILs corresponded to an iDFS hazard ratio of 0.87 (95% CI, 0.83 to 0.91) for iDFS, 0.83 (95% CI, 0.79 to 0.88) for D-DFS, and 0.84 (95% CI, 0.79 to 0.89) for OS. In node-negative patients with sTILs ≥ 30%, 3-year iDFS was 92% (95% CI, 89% to 98%), D-DFS was 97% (95% CI, 95% to 99%), and OS was 99% (95% CI, 97% to 100%). Conclusion This pooled data analysis confirms the strong prognostic role of sTILs in early-stage TNBC and excellent survival of patients with high sTILs after adjuvant chemotherapy and supports the integration of sTILs in a clinicopathologic prognostic model for patients with TNBC. This model can be found at www.tilsinbreastcancer.org .

Aside from PD-L1 expression, biomarkers of response to immune checkpoint inhibitors (ICIs) in non-small-cell lung cancer (NSCLC) are needed. In a previous retrospective analysis, we documented that fecal Akkermansia muciniphila (Akk) was associated with clinical benefit of ICI in patients with NSCLC or kidney cancer. In the current study, we performed shotgun-metagenomics-based microbiome profiling in a large cohort of patients with advanced NSCLC (n = 338) treated with first- or second-line ICIs to prospectively validate the predictive value of fecal Akk. Baseline stool Akk was associated with increased objective response rates and overall survival in multivariate analyses, independent of PD-L1 expression, antibiotics, and performance status. Intestinal Akk was accompanied by a richer commensalism, including Eubacterium hallii and Bifidobacterium adolescentis, and a more inflamed tumor microenvironment in a subset of patients. However, antibiotic use (20% of cases) coincided with a relative dominance of Akk above 4.8% accompanied with the genus Clostridium, both associated with resistance to ICI. Our study shows significant differences in relative abundance of Akk that may represent potential biomarkers to refine patient stratification in future studies. In a large multicentric study of patients with advanced NSCLC undergoing anti-PD-1 therapy, the relative abundance of intestinal Akkermansia spp. was shown to associate with changes in the gut microbiome ecosystem and clinical outcomes.

ABSTRACT Background Correctly classifying early estrogen receptor-positive and HER2-negative (ER+/HER2) breast cancer (EBC) cases allows to propose an adapted adjuvant systemic treatment strategy. We developed a new AI-based tool to assess the risk of distant relapse at 5 years for ER+/HER2-EBC patients from pathological slides. Patients and Methods The discovery dataset (GrandTMA) included 1429 ER+/HER2-EBC patients, with long-term follow-up and an available hematoxylin-eosin and saffron (HES) whole slide image (WSI). A Deep Learning (DL) network was trained to predict metastasis free survival (MFS) at five years, based on the HES WSI only (termed RlapsRisk). A combined score was then built using RlapsRisk and well established prognostic factors. A threshold corresponding to a probability of MFS event of 5% at 5 years was applied to dichotomize patients into low or high-risk groups. The external validation, as well as assessment of the additional prognosis value of the DL model beyond standard clinico-pathologic factors were carried out on an independent, prospective cohort (CANTO, NCT01993498 ) including 889 HES WSI of ER+/HER2-EBC patients. Results RlapsRisk was an independent prognostic factor of MFS in multivariable analysis adjusted for established clinico-pathological factors (p<0.005 in GrandTMA and CANTO). Combining RlapsRisk score and the clinico-pathological factors improved the prognostic discrimination as compared to the clinico-pathological factors alone (increment of c-index in the validation set 0.80 versus 0.76, +0.04, p-value < 0.005). After dichotomization, the Combined Model showed a higher cumulative sensitivity on the entire population (0.76 vs 0.61) for an equal dynamic specificity (0.76) in comparison with the clinical score alone. Conclusions Our deep learning model developed on digitized HES slides provided additional prognostic information as compared to current clinico-pathological factors and has the potential of valuably informing the decision making process in the adjuvant setting when combined with current clinico-pathological factors.

Abstract Motivation Spatial transcriptomics enables the analysis of cell crosstalk in healthy and diseased organs by capturing the transcriptomic profiles of millions of cells within their spatial contexts. However, spatial transcriptomics approaches also raise new computational challenges for the multidimensional data analysis associated with spatial coordinates. Results In this context, we introduce a novel analytical framework called CellsFromSpace based on independent component analysis (ICA), which allows users to analyze various commercially available technologies without relying on a single-cell reference dataset. The ICA approach deployed in CellsFromSpace decomposes spatial transcriptomics data into interpretable components associated with distinct cell types or activities. ICA also enables noise or artifact reduction and subset analysis of cell types of interest through component selection. We demonstrate the flexibility and performance of CellsFromSpace using real-world samples to demonstrate ICA’s ability to successfully identify spatially distributed cells as well as rare diffuse cells, and quantitatively deconvolute datasets from the Visium, Slide-seq, MERSCOPE, and CosMX technologies. Comparative analysis with a current alternative reference-free deconvolution tool also highlights CellsFromSpace’s speed, scalability and accuracy in processing complex, even multisample datasets. CellsFromSpace also offers a user-friendly graphical interface enabling non-bioinformaticians to annotate and interpret components based on spatial distribution and contributor genes, and perform full downstream analysis. Availability and implementation CellsFromSpace (CFS) is distributed as an R package available from github at https://github.com/gustaveroussy/CFS along with tutorials, examples, and detailed documentation.

Lesions of uncertain malignant potential (B3) represent 10% of core needle biopsies (CNBs) or vacuum-assisted breast biopsies (VABBs). Traditionally, B3 lesions are operated on. This study investigated the association between B3 subtypes and malignancy to determine the best management.

Abstract Spatial transcriptomics involves capturing the transcriptomic profiles of millions of cells within their spatial contexts, enabling the analysis of cell crosstalk in healthy and diseased organs. However, spatial transcriptomics also raises new computational challenges for analyzing multidimensional data associated with spatial coordinates. In this context, we introduce a novel framework called CellsFromSpace. This framework allows users to analyze various commercially available technologies without relying on a single-cell reference dataset. Based on the independent component analysis, CellsFromSpace decomposes spatial transcriptomic data into components that represent distinct cell types or activities. Here, we demonstrate that CellsFromSpace outperforms previous reference-free deconvolution tool in term of accuracy and speed, and successfully identify spatially distributed cells as well as rare diffuse cells on datasets from the Visium, Slide-seq, MERSCOPE, and COSMX technologies. The framework provides a user-friendly graphical interface that enables non-bioinformaticians to perform a full analysis and to annotate the components based on marker genes and spatial distributions. Additionally, CellsFromSpace offers the capability to reduce noise or artifacts by component selection and supports analyses on multiple datasets simultaneously. Graphical abstract