Abstract Tissue module (TM) is a spatially organized tissue region and executes specialized biological functions, recurring and varying at different tissue sites. However, the computational identification of TMs poses challenges due to their convoluted biological functions, poorly-defined molecular features, and varying spatially organized patterns. Here, we present a hypothesis-free graph Fourier transform model, SpaGFT, to represent spatially organized features using the Fourier coefficients, leading to an accurate representation of spatially variable genes and proteins and the characterization of TM at a fast computational speed. We implemented sequencing-based and imaging-based spatial transcriptomics, spatial-CITE-seq, and spatial proteomics to identify spatially variable genes and proteins, define TM identities, and infer convoluted functions among TMs in mouse brains and human lymph nodes. We collected a human tonsil sample and performed CODEX to accurately demonstrate molecular and cellular variability within the secondary follicle structure. The superior accuracy, scalability, and interpretability of SpaGFT indicate that it is an effective representation of spatially-resolved omics data and an essential tool for bringing new insights into molecular tissue biology.

Abstract Recent genetic and molecular classification of DLBCL has advanced our knowledge of disease biology, yet were not designed to predict early events and guide anticipatory selection of novel therapies. To address this unmet need, we used an integrative multiomic approach to identify a signature at diagnosis that will identify DLBCL at high risk of early clinical failure. Tumor biopsies from 444 newly diagnosed DLBCL were analyzed by WES and RNAseq. A combination of weighted gene correlation network analysis and differential gene expression analysis was used to identify a signature associated with high risk of early clinical failure independent of IPI and COO. Further analysis revealed the signature was associated with metabolic reprogramming and identified cases with a depleted immune microenvironment. Finally, WES data was integrated into the signature and we found that inclusion of ARID1A mutations resulted in identification of 45% of cases with an early clinical failure which was validated in external DLBCL cohorts. This novel and integrative approach is the first to identify a signature at diagnosis, in a real-world cohort of DLBCL, that identifies patients at high risk for early clinical failure and may have significant implications for design of therapeutic options.

Currently, the role of DNA methylation in the IgM-monoclonal gammopathy disease spectrum remains poorly understood. In the present study, a multi-omics prospective analysis was conducted integrating DNA methylation, RNA-seq and WES data in 34 subjects [23 WM, 6 IgM-MGUS, 5 normal controls]. Analysis was focused on defining differences between IgM-gammopathies (WM/IgM-MGUS) compared to controls, and specifically between WM and IgM-MGUS. Between groups, genome-wide DNA methylation analysis demonstrated a significant number of differentially methylated regions which were annotated according to genomic region. Next, integration of RNA-seq data was performed to identify potentially epigenetically deregulated pathways. We found that pathways involved in cell cycle, metabolism, cytokine/immune signaling, cytoskeleton, tumor microenvironment, and intracellular signaling were differentially activated and potentially epigenetically regulated. Importantly, there was a positive enrichment of CXCR4 signaling pathway along with several interleukin (IL-6, IL-8, IL15) signaling pathways in WM compared to IgM-MGUS. Further assessment of known tumor suppressor genes and oncogenes uncovered differential promoter methylation of several targets with concordant change in gene expression, including CCND1 and CD79B. Overall, this report defines how aberrant DNA methylation in IgM-gammopathies may play a critical role in the epigenetic control of oncogenesis and key cellular functions.

ABSTRACT Diffuse large B‐cell lymphoma (DLBCL) patients that fail to achieve a complete metabolic response with frontline immunochemotherapy have a poor prognosis. Genomic profiling has led to a broader understanding of the molecular drivers in DLBCL, but it is unknown how well current classifiers identify patients that will experience primary treatment resistance (PTR). Using whole exome and RNA sequencing data from newly diagnosed DLBCL patients, we evaluated the genomic landscape of PTR and compared it to that of non‐PTR DLBCL. We found a significant increase in the frequency of TP53 (34% vs. 15%, p = 0.005) and ARID1A mutations (21% vs. 7%, p = 0.007) in PTR cases, with pathway analysis further demonstrating a downregulation of TP53 and an increase in chromatin modifying pathways. These results suggest that TP53 and ARID1A may be key mediators of PTR and important pathways contributing to the poor outcomes. We found that the current molecular classifiers were unable to identify PTR cases at diagnosis. However, our newly identified high‐risk signature identified 46% of PTR cases at diagnosis. Overall, these results contribute to our understanding of the genomic landscape of patients with primary treatment resistance.