Abstract Cancer-associated fibroblasts (CAFs) comprise a heterogeneous population of stromal cells within the tumour microenvironment. CAFs exhibit both tumour-promoting and tumour-suppressing functions, making them exciting targets for improving cancer treatments. A careful identification and characterisation of the CAF heterogeneity is thus necessary before implementing CAF-targeted strategies in cancer. With that in mind, we developed a flow cytometry strategy based on exclusion of non-CAF cells and successfully employed it to explore the temporal heterogeneity of CAFs in two models of triple-negative breast cancer (4T1 and 4T07). Analysing 128 murine tumours we identified 5-6 main CAF subpopulations and numerous minor ones based on the analysis of alpha smooth muscle actin, fibroblast activation protein alpha, platelet derived growth factor receptor alpha and beta, CD26/DPP4 and podoplanin. All markers showed temporal changes, and CD26+ CAFs emerged as a large novel subpopulation. These results form the foundation needed for the future elucidation of tumour-promoting CAF subpopulations.

Abstract Multiparametric phenotypic screening of cells, for example assessing their responses to small molecules or knockdown/knockout of specific genes, is a powerful approach to understanding cellular systems and identifying potential new therapeutic strategies. However, automated tools for analyzing similarities and differences between a large number of tested conditions have not been readily available. Methods designed for clustering cells cannot identify differences between samples effectively. We introduce compa R e for ultra-fast and robust analysis of multiparametric high-throughput screening. Applying a mass-aware gridding algorithm using hypercubes, compa R e performs automatic and effective similarity comparison for hundreds to thousands of tests and provides information about the treatment effect. Particularly for screening data, compa R e is equipped with modules to remove various sources of bias. Benchmarking tests show that compa R e can circumvent batch effects and perform a similarity analysis substantially faster than conventional analysis tools. Applying compa R e to high-throughput flow cytometry screening data, we were able to distinguish subtle phenotypic drug responses in a human sample and a genetically engineered mouse model with acute myeloid leukemia (AML). compa R e revealed groups of drugs with similar responses even though their mechanisms are distinct from each other. In another screening, compa R e effectively circumvented batch effects and grouped samples from AML and myelodysplastic syndrome (MDS) patients using clinical flow cytometry data.

Summary Development of multicellular organisms is orchestrated by persistent cell-cell communication between neighboring partners. Direct interaction between different cell types can induce molecular signals that dictate lineage specification and cell fate decisions. Current single cell RNAseq (scRNAseq) technology cannot adequately analyze cell-cell contact-dependent gene expression, mainly due to the loss of spatial information. To overcome this obstacle and resolve cell-cell contact-specific gene expression during embryogenesis, we performed RNA sequencing of physically interacting cells (PIC-seq) and assessed them alongside similar single cell transcriptomes derived from developing mouse embryos between embryonic day (E) 7.5 and E9.5. Analysis of the PIC-seq data identified novel gene expression signatures that were dependent on the presence of specific neighboring cell types. Our computational predictions, validated experimentally, demonstrated that neural progenitor (NP) cells overexpress Lhx5 and Nkx2-1 genes, when exclusively interacting with the definitive endoderm (DE) cell. Moreover, there was a reciprocal impact on the transcriptome of the DE cells, as they tend to overexpress Rax and Gsc genes when in contact with the NP cells. Using individual cell transcriptome data, we formulated a means of computationally predicting the impact of one cell type on the transcriptome of its neighboring cell types. We have further developed a distinctive spatial-tSNE to display the pseudo-spatial distribution of cells in a 2-dimensional space. In summary, we describe an innovative approach to study contact-specific gene regulation during embryogenesis with potential broader implication in other physiologically relevant processes. Significance Physical contact between neighboring cells is known to induce transcriptional changes in the interacting partners. Accurate measurement of these cell-cell contact based influences on the transcriptome is a very difficult experimental task. However, determining such transcriptional changes will highly enhance our understanding for the developmental processes. Current scRNAseq technology isolates the tissue into individual cells, making it hard to determine the potential transcriptomic changes due to its interacting partners. Here, we combined PIC-seq and computational algorithms to identify cell-type contact dependent transcriptional profiles focusing on endoderm development. We have computationally identified and experimentally validated specific gene expression patterns depending upon the presence of specific neighboring cell types. Our study suggests a new way to study cell-cell interactions for embryogenesis.

Translational and post-translational control mechanisms in the cell result in widely observable differences between measured gene transcription and protein abundances. Herein, protein complexes are among the most tightly controlled entities by selective degradation of their individual proteins. They furthermore act as control hubs that regulate highly important processes in the cell and exhibit a high functional diversity due to their ability to change their composition and their structure. To better understand and predict these functional states, extensive characterization of complex composition, behavior, and abundance is necessary. Mass spectrometry provides an unbiased approach to directly determine protein abundances across cell populations and thus to profile a comprehensive abundance map of proteins. We investigated the behavior of protein subunits in known complexes by comparing their abundance profiles across up to 140 cell types available in ProteomicsDB. After thorough assessment of different randomization methods and statistical scoring algorithms, we developed a computational tool to quantify the significance of concurrent profiles within a complex, therefore providing insights into the conservation of their composition across human cell types. We identified the intrinsic structures in complex behavior that allow to determine which proteins orchestrate complex function. This analysis can be extended to investigate common profiles within arbitrary protein groups. With the CoExpresso web service, we offer a potent scoring scheme to assess proteins for their co-regulation and thereby offer insight into their potential for forming functional groups like protein complexes. CoExpresso can be accessed through http://computproteomics/Apps/CoExpresso. Source code and R scripts for database generation are available at https://bitbucket.org/veitveit/coexpresso