Abstract As the most abundant messenger RNA (mRNA) modification in mRNA, N 6-methyladenosine (m6A) plays a crucial role in RNA fate, impacting cellular and physiological processes in various tumor types. However, our understanding of the function and role of the m6A methylome in tumor heterogeneity remains limited. Herein, we collected and analyzed m6A methylomes across nine human tissues from 97 m6A sequencing (m6A-seq) and RNA sequencing samples. Our findings demonstrate that m6A exhibits different heterogeneity in most tumor tissues compared to normal tissues, which contributes to the diverse clinical outcomes in different cancer types. We also found that the cancer type-specific m6A level regulated the expression of different cancer-related genes in distinct cancer types. Utilizing a novel and reliable method called “m6A-express”, we predicted m6A-regulated genes and revealed that cancer type-specific m6A-regulated genes contributed to the prognosis, tumor origin, and infiltration level of immune cells in diverse patient populations. Furthermore, we identified cell-specific m6A regulators that regulate cancer-specific m6A and constructed a regulatory network. Experimental validation was performed, confirming that the cell-specific m6A regulator CAPRIN1 controls the m6A level of TP53. Overall, our work reveals the clinical relevance of m6A in various tumor tissues and explains how such heterogeneity is established. These results further suggest the potential of m6A for cancer precision medicine for patients with different cancer types.

Abstract As the most abundant mRNA modification in mRNA, N 6 -methyladenosine (m 6 A) plays a crucial role in RNA fate, impacting cellular and physiological processes in various tumor types. However, our understanding of the function and role of the m 6 A methylome in tumor heterogeneity remains limited. Herein, we collected and analyzed m 6 A methylomes across nine human tissues from 97 m 6 A-seq and RNA-seq samples. Our findings demonstrate that m 6 A exhibits different heterogeneity in most tumor tissues compared to normal tissues, which contributes to the diverse clinical outcomes in different cancer types. We also found that the cancer type-specific m 6 A level regulated the expression of different cancer-related genes in distinct cancer types. Utilizing a novel and reliable method called “m 6 A-express”, we predicted m 6 A– regulated genes and revealed that cancer type-specific m 6 A-regulated genes contributed to the prognosis, tumor origin and infiltration level of immune cells in diverse patient populations. Furthermore, we identified cell-specific m 6 A regulators that regulate cancer-specific m 6 A and constructed a regulatory network. Experimental validation was performed, confirming that the cell-specific m 6 A regulator CAPRIN1 controls the m 6 A level of TP53 . Overall, our work reveals the clinical relevance of m 6 A in various tumor tissues and explains how such heterogeneity is established. These results further suggest the potential of m 6 A for cancer precision medicine for patients with different cancer types.

It is widely accepted that m6A exhibits significant intercellular specificity, which poses challenges for its detection using existing m6A quantitative methods. In this study, we introduce Scm6A, a machine learning-based approach for single-cell m6A quantification. Scm6A leverages input features derived from the expression levels of m6A trans regulators and cis sequence features, and found that Scm6A offers remarkable prediction efficiency and reliability. To further validate the robustness and precision of Scm6A, we applied a winscore-based m6A calculation method to conduct m6A-seq analysis on CD4+ and CD8+ T-cells isolated through magnetic-activated cell sorting (MACS). Subsequently, we employed Scm6A for analysis on the same samples. Notably, the m6A levels calculated by Scm6A exhibited a significant positive correlation with m6A quantified through m6A-seq in different cells isolated by MACS, providing compelling evidence for Scm6A9s reliability. Additionally, we performed single-cell level m6A analysis on lung cancer tissues as well as blood samples from COVID-19 patients, and demonstrated the landscape and regulatory mechanisms of m6A in different T-cell subtypes from these diseases. In summary, our work has yielded a novel, dependable, and accurate method for single-cell m6A detection. We are confident that Scm6A have broad applications in the realm of m6A-related research.

Abstract It is widely accepted that N6-methyladenosine (m6A) exhibits significant intercellular specificity, which poses challenges for its detection using existing m6A quantitative methods. In this study, we introduced Single-cell m6A Analysis (Scm6A), a machine learning-based approach for single-cell m6A quantification. Scm6A leverages input features derived from the expression levels of m6A trans regulators and cis sequence features, and offers remarkable prediction efficiency and reliability. To further validate the robustness and precision of Scm6A, we applied a winscore-based m6A calculation method to conduct N6-methyladenosine sequencing (m6A-seq) analysis on CD4+ and CD8+ T-cells isolated through magnetic-activated cell sorting (MACS). Subsequently, we employed Scm6A for analysis on the same samples. Notably, the m6A levels calculated by Scm6A exhibited a significant positive correlation with m6A quantified through m6A-seq in different cells isolated by MACS, providing compelling evidence for Scm6A’s reliability. Additionally, we performed single-cell level m6A analysis on lung cancer tissues as well as blood samples from the coronavirus disease 2019 (COVID-19) patients, and demonstrated the landscape and regulatory mechanisms of m6A in different T-cell subtypes from these diseases. In summary, our work has yielded a novel, dependable, and accurate method for single-cell m6A detection. We are confident that Scm6A have broad applications in the realm of m6A-related research.