Gonçalo Abecasis and colleagues report a large-scale meta-analysis of genome-wide association studies for age-related macular degeneration (AMD), including over 17,100 advanced cases and 60,000 controls. They identify seven loci newly associated with AMD and report pathway analysis that shows enrichment in the complement system and atherosclerosis signaling. Age-related macular degeneration (AMD) is a common cause of blindness in older individuals. To accelerate the understanding of AMD biology and help design new therapies, we executed a collaborative genome-wide association study, including >17,100 advanced AMD cases and >60,000 controls of European and Asian ancestry. We identified 19 loci associated at P < 5 × 10−8. These loci show enrichment for genes involved in the regulation of complement activity, lipid metabolism, extracellular matrix remodeling and angiogenesis. Our results include seven loci with associations reaching P < 5 × 10−8 for the first time, near the genes COL8A1-FILIP1L, IER3-DDR1, SLC16A8, TGFBR1, RAD51B, ADAMTS9 and B3GALTL. A genetic risk score combining SNP genotypes from all loci showed similar ability to distinguish cases and controls in all samples examined. Our findings provide new directions for biological, genetic and therapeutic studies of AMD.

A comprehensive understanding of the changes in gene expression in cell types involved in idiopathic pulmonary fibrosis (IPF) will shed light on the mechanisms underlying the loss of alveolar epithelial cells and development of honeycomb cysts and fibroblastic foci. We sought to understand changes in IPF lung cell transcriptomes and gain insight into innate immune aspects of pathogenesis. We investigated IPF pathogenesis using single-cell RNA-sequencing of fresh lung explants, comparing human IPF fibrotic lower lobes reflecting late disease, upper lobes reflecting early disease and normal lungs. IPF lower lobes showed increased fibroblasts, and basal, ciliated, goblet and club cells, but decreased alveolar epithelial cells, and marked alterations in inflammatory cells. We found three discrete macrophage subpopulations in normal and fibrotic lungs, one expressing monocyte markers, one highly expressing FABP4 and INHBA (FABP4 hi ), and one highly expressing SPP1 and MERTK (SPP1 hi ). SPP1 hi macrophages in fibrotic lower lobes showed highly upregulated SPP1 and MERTK expression. Low-level local proliferation of SPP1 hi macrophages in normal lungs was strikingly increased in IPF lungs. Co-localisation and causal modelling supported the role for these highly proliferative SPP1 hi macrophages in activation of IPF myofibroblasts in lung fibrosis. These data suggest that SPP1 hi macrophages contribute importantly to lung fibrosis in IPF, and that therapeutic strategies targeting MERTK and macrophage proliferation may show promise for treatment of this disease.

Head and neck squamous cell carcinoma (HNSCC) arises through exposure to environmental carcinogens or malignant transformation by human papillomavirus (HPV). Here, we assessed the transcriptional profiles of 131,224 single cells from peripheral and intra-tumoral immune populations from patients with HPV– and HPV+ HNSCC and healthy donors. Immune cells within tumors of HPV– and HPV+ HNSCC displayed a spectrum of transcriptional signatures, with helper CD4+ T cells and B cells being relatively divergent and CD8+ T cells and CD4+ regulatory T cells being relatively similar. Transcriptional results were contextualized through multispectral immunofluorescence analyses and evaluating putative cell-cell communication based on spatial proximity. These analyses defined a gene expression signature associated with CD4+ T follicular helper cells that is associated with longer progression-free survival in HNSCC patients. The datasets and analytical approaches herein provide a resource for the further study of the impact of immune cells on viral- and carcinogen-induced cancers.

Regulatory T cells (Treg cells) maintain host self-tolerance but are a major barrier to effective cancer immunotherapy. Treg cells subvert beneficial anti-tumor immunity by modulating inhibitory receptor expression on tumor-infiltrating lymphocytes (TILs); however, the underlying mediators and mechanisms have remained elusive. Here, we found that the cytokines IL-10 and IL-35 (Ebi3–IL-12α heterodimer) were divergently expressed by Treg cell subpopulations in the tumor microenvironment (TME) and cooperatively promoted intratumoral T cell exhaustion by modulating several inhibitory receptor expression and exhaustion-associated transcriptomic signature of CD8+ TILs. While expression of BLIMP1 (encoded by Prdm1) was a common target, IL-10 and IL-35 differentially affected effector T cell versus memory T cell fates, respectively, highlighting their differential, partially overlapping but non-redundant regulation of anti-tumor immunity. Our results reveal previously unappreciated cooperative roles for Treg cell-derived IL-10 and IL-35 in promoting BLIMP1-dependent exhaustion of CD8+ TILs that limits effective anti-tumor immunity. Regulatory T cells obstruct effective anti-cancer immune responses. Vignali and colleagues demonstrate that IL-10 production and IL-35 production by tumor-infiltrating regulatory T cells mediate differential and non-redundant suppressive effects on tumor-reactive cytotoxic T cells.

Abstract The development of spatial transcriptomics technologies makes it possible to study tissue heterogeneity at the scale of spatial expressed microenvironment. However, most of the previous methods collapse the spatial patterns in the low spatial resolution. Existing reference based deconvolution methods integrate single-cell reference and spatial transcriptomics data to predict the proportion of cell-types, but the availability of suitable single-cell reference is often limited. In this paper, we propose a novel Transformer based model (TransfromerST) to integrate the spatial gene expression measurements and their spatial patterns in the histology image (if available) without single cell reference. TransfromerST enables the learning of the locally realistic and globally consistent constituents at nearly single cell resolution. TransfromerST firstly uses a transformer based variational autoencoder to explore the latent representation of gene expression, which is further embedded with the spatial relationship learned from adaptive graph Transformer model. The super-resolved cross-scale graph network improves the model-fit to enhanced structure-functional interactions. The public and in-house experimental results with multimodal spatial transcriptomics data demonstrate TransfromerST could highlight the tissue structures at nearly single cell resolution and detect the spatial variable genes and meta gene for each spatial domain. In summary, TransfromerST provides an effective and efficient alternative for spatial transcriptomics tissue clustering, super-resolution and gene expression prediction from histology image.

Abstract Droplet-based single-cell sequencing techniques rely on the fundamental assumption that each droplet encapsulates a single cell, enabling individual cell omics profiling. However, the inevitable issue of multiplets, where two or more cells are encapsulated within a single droplet, can lead to spurious cell type annotations and obscure true biological findings. The issue of multiplets is exacerbated in single-cell multiomics settings, where integrating cross-modality information for clustering can inadvertently promote the aggregation of multiplet clusters and increase the risk of erroneous cell type annotations. Here, we propose a compound Poisson model-based framework for multiplet detection in single-cell multiomics data. Leveraging experimental cell hashing results as the ground truth for multiplet status, we conducted trimodal DOGMA-seq experiments and generated 17 benchmarking datasets from two tissues, involving a total of 280,123 droplets. We demonstrated that the proposed method is an essential tool for integrating cross-modality multiplet signals, effectively eliminating multiplet clusters in single-cell multiomics data—a task at which the benchmarked single-omics methods proved inadequate.

Abstract The recent advance of single cell sequencing (scRNA-seq) technology such as Cellular Indexing of Transcriptomes and Epitopes by Sequencing (CITE-seq) allows researchers to quantify cell surface protein abundance and RNA expression simultaneously at single cell resolution. Although CITE-seq and other similar technologies have quickly gained enormous popularity, novel methods for analyzing this new type of single cell multi-omics data are still in urgent need. A limited number of available tools utilize data-driven approach, which may undermine the biological importance of surface protein data. In this study, we developed SECANT, a biology-guided SEmi-supervised method for Clustering, classification, and ANnoTation of single-cell multi-omics. SECANT can be used to analyze CITE-seq data, or jointly analyze CITE-seq and scRNA-seq data. The novelties of SECANT include 1) using confident cell type labels identified from surface protein data as guidance for cell clustering, 2) providing general annotation of confident cell types for each cell cluster, 3) fully utilizing cells with uncertain or missing cell type labels to increase performance, and 4) accurate prediction of confident cell types identified from surface protein data for scRNA-seq data. Besides, as a model-based approach, SECANT can quantify the uncertainty of the results, and our framework can be easily extended to handle other types of multi-omics data. We successfully demonstrated the validity and advantages of SECANT via simulation studies and analysis of public and in-house real datasets. We believe this new method will greatly help researchers characterize novel cell types and make new biological discoveries using single cell multi-omics data.

Abstract The recently developed transcription, epitopes, and chromatin accessibility by sequencing (TEA-seq) and similar DOGMA-seq single-cell trimodal omics assays provide unprecedented opportunities for understanding cell biology, but independent optimization, benchmarking and evaluation are lacking. We explored the utility, pros and cons of DOGMA-seq compared to the bimodal cellular indexing of transcriptomes and epitopes by sequencing (CITE-seq) assay in activated and stimulated human peripheral blood T cells. We identified an optimal incubation time and concentration of digitonin (DIG) for cell permeabilization and found that single-cell trimodal omics measurements after DIG permeabilization were generally better than after an alternative “low-loss lysis” (LLL) permeabilization condition. Next, we found that DOGMA-seq with optimized DIG permeabilization and its ATAC library provides more information, even though its mRNA and cell surface protein antibody-derived tag (ADT) libraries have slightly inferior quality, compared to CITE-seq. Finally, we recognized the additional value of DOGMA-seq for studying lineage-specific T helper cells.

ABSTRACT Skin and lung fibrosis in systemic sclerosis (SSc) is driven by myofibroblasts, alpha-smooth muscle actin expressing cells that arise from a variety of cell types in murine fibrosis models. Utilizing single cell RNA-sequencing to examine the transcriptome changes, we show that SSc dermal myofibroblasts arise from an SFRP2/DPP4-expressing progenitor fibroblast population that globally upregulates expression of transcriptome markers, such as PRSS23 and THBS1. Only a fraction of SSc fibroblasts differentiate into myofibroblasts, as shown by expression of additional markers, SFRP4 and FNDC1. The myofibroblast transcriptome implicates upstream transcription factors that drive myofibroblast differentiation.

Single-cell sequencing has revolutionized our understanding of cellular heterogeneity by offering detailed profiles of individual cells within diverse specimens. However, due to the limitations of sequencing technology, two or more cells may be captured in the same droplet and share the same barcode. These incidents, termed doublets or multiplets, can lead to artifacts in single-cell data analysis. While explicit experimental design can mitigate these issues with the help of auxiliary cell markers, computationally annotating doublets has a broad impact on analyzing the existing public single-cell data and reduces potential experimental costs. Considering that doublets form only a minor fraction of the total dataset, we argue that current doublet detection methods, primarily focused on optimizing classification accuracy, might be inefficient in performing well on the inherently imbalanced data in the area under the precision-recall curve (AUPRC) metric. To address this, we introduce RADO (Robust and Accurate DOublet detection) - an algorithm designed to annotate doublets by maximizing the AUPRC, effectively tackling the imbalance challenge. Benchmarked on 18 public datasets, RADO outperforms other methods in terms of doublet score and achieves similar performance to the current best methods in doublet calling. Furthermore, beyond its application in single-cell RNA-seq data, we demonstrate RADO9s adaptability to single-cell assays for transposase-accessible chromatin sequencing (scATAC-seq) data, where it outperforms other scATAC-seq doublet detection methods. RADO9s open-source implementation is available at: https://github.com/poseidonchan/RADO.