Type I interferons (IFN) are being rediscovered as potent anti-tumoral agents. Activation of the STimulator of INterferon Genes (STING) by DMXAA can induce a strong production of IFNα/β and the rejection of transplanted primary tumors. In the present study, we addressed whether targeting STING with DMXAA also leads to the regression of spontaneous MMTV-PyMT mammary tumors. We show that these tumors are refractory to DMXAA-induced regression. This is due to a blockade in the phosphorylation of IRF3 and the ensuing IFNα/β production. Mechanistically, we identified TGFβ abundant in spontaneous tumors, as a key molecule limiting this IFN-induced-tumor regression by DMXAA. Finally, blocking TGFβ restores the production of IFNα by activated MHCII+ tumor-associated macrophages, and enables tumor regression induced by STING activation. On the basis of these findings, we propose that type I IFN-dependent cancer therapies could be greatly improved by combinations including the blockade of TGFβ.

Recent efforts in systems immunology lead researchers to build quantitative models of cell activation and differentiation. One goal is to account for the distributions of proteins from single-cell measurements by flow cytometry or mass cytometry as a readout of biological regulation. In that context, large cell-to-cell variability is often observed in biological quantities. We show here that these readouts, viewed in logarithmic scale may result in two easily-distinguishable modes, while the underlying distribution (in linear scale) is unimodal. We introduce a simple mathematical test to highlight this mismatch. We then dissect the flow of influence of cell-to-cell variability proposing a graphical model which motivates higher-dimensional analysis of the data. Finally we show how acquiring additional biological information can be used to reduce uncertainty introduced by cell-to-cell variability, helping to clarify whether the data is uni- or bimodal. This communication has cautionary implications for manual and automatic gating strategies, as well as clustering and modeling of single-cell measurements.

We present a new method to directly quantify the dynamics of differentiation of multiple cellular subsets in unperturbed mice. We combine a pulse-chase protocol of IdU injections with subsequent analysis by mass cytometry (CyTOF), and mathematical modeling of the IdU dynamics. Measurements by CyTOF allow for a wide range of cells to be analyzed at once, due to the availability of a large staining panel without the complication of fluorescence spill-over. These are also compatible with direct detection of integrated iodine signal, with minimal impact on immunophenotyping based on surface markers. Mathematical modeling beyond a binary classification of surface marker abundance allows for a continuum of cellular states as the cells transition from one state to another. Thus, we present a complete and robust method for directly quantifying differentiation at the systemic level, allowing for system-wide comparisons between different mouse strains and/or experimental conditions.