Summary

 The heterogeneity of endothelial cells (ECs) across tissues remains incompletely inventoried. We constructed an atlas of >32,000 single-EC transcriptomes from 11 mouse tissues and identified 78 EC subclusters, including Aqp7⁺ intestinal capillaries and angiogenic ECs in healthy tissues. ECs from brain/testis, liver/spleen, small intestine/colon, and skeletal muscle/heart pairwise expressed partially overlapping marker genes. Arterial, venous, and lymphatic ECs shared more markers in more tissues than did heterogeneous capillary ECs. ECs from different vascular beds (arteries, capillaries, veins, lymphatics) exhibited transcriptome similarity across tissues, but the tissue (rather than the vessel) type contributed to the EC heterogeneity. Metabolic transcriptome analysis revealed a similar tissue-grouping phenomenon of ECs and heterogeneous metabolic gene signatures in ECs between tissues and between vascular beds within a single tissue in a tissue-type-dependent pattern. The EC atlas taxonomy enabled identification of EC subclusters in public scRNA-seq datasets and provides a powerful discovery tool and resource value.

Summary

 Heterogeneity of lung tumor endothelial cell (TEC) phenotypes across patients, species (human/mouse), and models (in vivo/in vitro) remains poorly inventoried at the single-cell level. We single-cell RNA (scRNA)-sequenced 56,771 endothelial cells from human/mouse (peri)-tumoral lung and cultured human lung TECs, and detected 17 known and 16 previously unrecognized phenotypes, including TECs putatively regulating immune surveillance. We resolved the canonical tip TECs into a known migratory tip and a putative basement-membrane remodeling breach phenotype. Tip TEC signatures correlated with patient survival, and tip/breach TECs were most sensitive to vascular endothelial growth factor blockade. Only tip TECs were congruent across species/models and shared conserved markers. Integrated analysis of the scRNA-sequenced data with orthogonal multi-omics and meta-analysis data across different human tumors, validated by functional analysis, identified collagen modification as a candidate angiogenic pathway.

ABSTRACT Serial RNA-seq studies of bulk samples are widespread and provide an opportunity for improved understanding of gene regulation during e . g ., development or response to an incremental dose of a pharmacotherapeutic. In addition, the widely popular single cell RNA-seq (scRNA-seq) data implicitly exhibit serial characteristics because measured gene expression values recapitulate cellular transitions. Unfortunately serial RNA-seq data continue to be analyzed by methods that ignore this ordinal structure and yield results that are difficult to interpret. Here, we present Error Modelled Gene Expression Analysis (EMOGEA), a principled framework for analyzing RNA-seq data that incorporates measurement uncertainty in the analysis, while introducing a special formulation for modelling data that are acquired as a function of time or other continuous variable. By incorporating uncertainties in the analysis, EMOGEA is specifically suited for RNA-seq studies in which low-count transcripts with small fold-changes lead to significant biological effects. Such transcripts include signaling mRNAs and non-coding RNAs (ncRNA) that are known to exhibit low levels of expression. Through this approach, missing values are handled by associating with them disproportionately large uncertainties which makes it particularly useful for single cell RNA-seq data. We demonstrate the utility of this framework by extracting a cascade of gene expression waves from a well-designed RNA-seq study of zebrafish embryogenesis and, a scRNA-seq study of mouse pre-implantation and provide unique biological insights into the regulation of genes in each wave. For non-ordinal measurements, we show that EMOGEA has a much higher rate of true positive calls and a vanishingly small rate for false negative discoveries compared to common approaches. Finally, we provide an R package ( https://github.com/itikadi/EMOGEA ) that is self-contained and easy to use. Graphical Abstract: Graphical representation of EMOGEA indicating the incorporation of measurement errors in modeling RNA-seq data to generate superior results in exploratory analysis, differential gene expression analyses and, scRNA-seq and Time Course analyses.