Alzheimer's disease (AD) results from a neurodegenerative process that starts well before the diagnosis can be made. New prognostic or diagnostic markers enabling early intervention into the disease process would be highly valuable. As life style factors largely modulate the disease risk, we hypothesised that the disease associated DNA methylation signatures are detectable in the peripheral blood of discordant twin pairs. Reduced Representation Bisulfite Sequencing, single cell RNA-sequencing and gene array data were utilised to examine DNA methylation signatures and associated gene expression changes in blood and hippocampus, and targeted bisulfite sequencing in cross cohort validation. Our results reveal that discordant twin pairs have disease associated differences in their peripheral blood epigenomes. A subset of affected genes, e.g. ADARB2 contain differentially methylated sites also in anterior hippocampus. The DNA methylation differences seem to influence gene expression in brain rather than in blood cells. The affected genes are associated with neuronal functions and pathologies. These DNA methylation signatures are valuable disease marker candidates and may provide insights into the molecular mechanisms of pathogenesis.

Single-cell RNA-seq allows researchers to identify cell populations based on unsupervised clustering of the transcriptome. However, subpopulations can have only subtle transcriptomic differences and the high dimensionality of the data makes their identification challenging. We introduce ILoReg (https://github.com/elolab/iloreg), an R package implementing a new cell population identification method that achieves high differentiation resolution through a probabilistic feature extraction step that is applied before clustering and visualization.

Abstract Computational models are needed to infer a representation of the cells, i.e. a trajectory, from single-cell RNA-sequencing data that model cell differentiation during a dynamic process. Although many trajectory inference methods exist, their performance varies greatly depending on the dataset and hence there is a need to establish more accurate, better generalizable methods. We introduce scShaper, a new trajectory inference method that enables accurate linear trajectory inference. The ensemble approach of scShaper generates a continuous smooth pseudotime based on a set of discrete pseudotimes. We demonstrate that scShaper is able to infer accurate trajectories for a variety of nonlinear mathematical trajectories, including many for which the commonly used principal curves method fails. A comprehensive benchmarking with state-of-the-art methods revealed that scShaper achieved superior accuracy of the cell ordering and, in particular, the differentially expressed genes. Moreover, scShaper is a fast method with few hyperparameters, making it a promising alternative to the principal curves method for linear pseudotemporal ordering. scShaper is available as an R package at https://github.com/elolab/scshaper .

Abstract Single-cell RNA-sequencing (scRNA-seq) enables researchers to quantify transcriptomes of thousands of cells simultaneously and study transcriptomic changes between cells. scRNA-seq datasets increasingly include multi-subject, multi-condition experiments to investigate cell-type-specific differential states (DS) between conditions. This can be performed by first identifying the cell types in all the subjects and then by performing a DS analysis between the conditions within each cell type. Naïve single-cell DS analysis methods that treat cells statistically independent are subject to false positives in the presence of variation between biological replicates, an issue known as the pseudo-replicate bias. While several methods have already been introduced to carry out the statistical testing in multi-subject scRNA-seq analysis, comparisons that include all these methods are currently lacking. Here, we performed a comprehensive comparison of 18 methods for the identification of DS changes between conditions from multi-subject scRNA-seq data. Our results suggest that the pseudo-bulk methods performed generally best. Both pseudo-bulks and mixed models that model the subjects as a random effect were superior compared with the naive single-cell methods that do not model the subjects in any way. While the naive models achieved higher sensitivity than the pseudo-bulk methods and the mixed models, they were subject to a high number of false positives. In addition, accounting for subjects through latent variable modeling did not improve the performance of the naive methods.

Abstract Single-cell RNA-sequencing enables cell-level investigation of cell differentiation, which can be modelled using trajectory inference methods. While tremendous effort has been put into designing these methods, inferring accurate trajectories automatically remains difficult. Therefore, the standard approach involves testing different trajectory inference methods and picking the trajectory giving the most biologically sensible model. As the default parameters are often suboptimal, their tuning requires methodological expertise. We introduce Totem, an open-source, easy-to-use R package designed to facilitate inference of tree-shaped trajectories from single-cell data. Totem generates a large number of clustering results, estimates their topologies as minimum spanning trees, and uses them to measure the connectivity of the cells. Besides automatic selection of an appropriate trajectory, cell connectivity enables to visually pinpoint branching points and milestones relevant to the trajectory. Furthermore, testing different trajectories with Totem is fast, easy, and does not require in-depth methodological knowledge.

Abstract Epidermal growth factor receptor (EGFR) tyrosine kinase inhibitors are commonly used to treat non-small cell lung cancers with EGFR mutations, but drug resistance often emerges. Intratumor heterogeneity is a known cause of targeted therapy resistance and is considered a major factor in treatment failure. This study identifies clones of EGFR-mutant non-small cell lung tumors expressing low levels of both wild-type and mutant EGFR protein. These EGFR-low cells are intrinsically more tolerant to EGFR inhibitors, more invasive, and exhibit an epithelial-to-mesenchymal-like phenotype compared to their EGFR-high counterparts. The EGFR-low cells secrete Transforming growth factor beta (TGFβ) family cytokines, leading to increased recruitment of cancer-associated fibroblasts and immune suppression, thus contributing to the drug-tolerant tumor microenvironment. Notably, pharmacological induction of EGFR using epigenetic inhibitors sensitizes the resistant cells to EGFR inhibition. These findings suggest that intrinsic drug resistance can be prevented or reversed using combination therapies.