Differentiation to different types of macrophages determines their distinct functions. Tumor-associated macrophages (TAMs) promote tumorigenesis owing to their proangiogenic and immune-suppressive functions similar to those of alternatively activated (M2) macrophages. We report that reactive oxygen species (ROS) production is critical for macrophage differentiation and that inhibition of superoxide (O(2-)) production specifically blocks the differentiation of M2 macrophages. We found that when monocytes are triggered to differentiate, O(2-) is generated and is needed for the biphasic ERK activation, which is critical for macrophage differentiation. We demonstrated that ROS elimination by butylated hydroxyanisole (BHA) and other ROS inhibitors blocks macrophage differentiation. However, the inhibitory effect of ROS elimination on macrophage differentiation is overcome when cells are polarized to classically activated (M1), but not M2, macrophages. More importantly, the continuous administration of the ROS inhibitor BHA efficiently blocked the occurrence of TAMs and markedly suppressed tumorigenesis in mouse cancer models. Targeting TAMs by blocking ROS can be a potentially effective method for cancer treatment.

Abstract Lung cancer is a highly heterogeneous disease. Cancer cells and cells within the tumor microenvironment together determine disease progression, as well as response to or escape from treatment. To map the cell type-specific transcriptome landscape of cancer cells and their tumor microenvironment in advanced non-small cell lung cancer (NSCLC), we analyze 42 tissue biopsy samples from stage III/IV NSCLC patients by single cell RNA sequencing and present the large scale, single cell resolution profiles of advanced NSCLCs. In addition to cell types described in previous single cell studies of early stage lung cancer, we are able to identify rare cell types in tumors such as follicular dendritic cells and T helper 17 cells. Tumors from different patients display large heterogeneity in cellular composition, chromosomal structure, developmental trajectory, intercellular signaling network and phenotype dominance. Our study also reveals a correlation of tumor heterogeneity with tumor associated neutrophils, which might help to shed light on their function in NSCLC.

Abstract We propose DEGAS (Diagnostic Evidence GAuge of Single cells), a novel deep transfer learning framework, to transfer disease information from patients to cells. We call such transferrable information “impressions,” which allow individual cells to be associated with disease attributes like diagnosis, prognosis, and response to therapy. Using simulated data and ten diverse single cell and patient bulk tissue transcriptomic datasets from Glioblastoma Multiforme (GBM), Alzheimer’s Disease (AD), and Multiple Myeloma (MM), we demonstrate the feasibility, flexibility, and broad applications of the DEGAS framework. DEGAS analysis on newly generated myeloma single cell transcriptomics led to the identification of PHF19 high myeloma cells associated with progression.

Abstract Modeling cellular processes in the framework of dynamical systems theories is a focused area in systems and mathematical biology, but a bottleneck to extend the efforts to genome-wide modeling is lack of quantitative data to constrain model parameters. With advances of single cell techniques, learning dynamical information from high throughput snapshot single cell data emerges as an exciting direction in single cell studies. Our previously developed dynamo framework reconstructs generally nonlinear genome-wide gene regulation relations from single cell expression state and either splicing- or metabolic labeling-based RNA velocity data. In this work, we first developed a graph-based machine learning procedure that imposes a mathematical constraint that the RNA velocity vectors lie in the tangent space of the low-dimensional manifold formed by the single cell expression data. Unlike a popular cosine correlation kernel used in literature, this tangent space projection (TSP) preserves the magnitude information of a vector when one transforms between different representations of the data manifold. Next, we formulated a data-driven graph Fokker-Planck (FPE) equation formalism that models the full cellular state transition dynamics as a convection-diffusion process on a data-formed graph network. The formalism is invariant under representation transformation and preserves the topological and dynamical properties of the system dynamics. Numerical tests on synthetic data and experimental scRNA-seq data demonstrate that the graph TSP/FPE formalism built from snapshot single cell data can recapitulate system dynamics. Significance Statement A cell is a dynamical system, which responds to extracellular and intracellular cues and changes its internal state. In practice the internal state of a cell is often characterized by its gene expression profile such as its transcriptome measured through destructive single cell techniques. Just like one can use Newton’s equations to describe motions of the celestial bodies in the solar system, the state change of a cell in principle can also be described by a set of mathematical equations. Determining the form and associated parameters of such equations, however, is challenging. This work presented a general framework of reconstructing dynamical equations from snapshot single cell data.

Abstract Oxidative stress plays a crucial role in organ aging and related diseases, yet the endogenous regulators involved remain largely unknown. This work highlights the importance of metabolic homeostasis in protecting against oxidative stress in the large intestine. By developing a low-input and user-friendly pipeline for the simultaneous profiling of five distinct cysteine (Cys) states, including free SH, total Cys oxidation (Sto), sulfenic acid (SOH), S -nitrosylation (SNO), and S -glutathionylation (SSG), we shed light on Cys redox modification stoichiometries and signaling with regional resolution in the aging gut of monkeys. Notably, the proteins modified by SOH and SSG were associated primarily with cell adhesion. In contrast, SNO-modified proteins were involved in immunity. Interestingly, we observed that the Sto levels ranged from 0.97% to 99.88%, exhibiting two distinct peaks and increasing with age. Crosstalk analysis revealed numerous age-related metabolites potentially involved in modulating oxidative stress and Cys modifications. Notably, we elucidated the role of fumarate in alleviating intestinal oxidative stress in a dextran sulfate sodium (DSS)-induced colitis mouse model. Our findings showed that fumarate treatment promotes the recovery of several cell types, signaling pathways, and genes involved in oxidative stress regulation. Calorie restriction (CR) is a known strategy for alleviating oxidative stress. Two-month CR intervention led to the recovery of many antioxidative metabolites and reshaped the Cys redoxome. This work decodes the complexities of redoxomics during the gut aging of non-human primates and identifies key metabolic regulators of oxidative stress and redox signaling.

Technical advances have enabled the identification of high-resolution cell types within tissues based on single-cell transcriptomics. However, such analyses are restricted in human brain tissue due to the limited number of brain donors. In this study, we integrate mouse and human data to predict cell-type proportions in human brain tissue, and spatially map the resulting cellular composition. By applying feature selection and linear modeling, combinations of human and mouse brain single-cell transcriptomics profiles can be integrated to "fill in" missing information. These combined "in silico chimeric" datasets are used to model the composition of nine cell types in 3,702 human brain samples in six Allen Human Brain Atlas (AHBA) donors. Cell types were spatially consistent regardless of the scRNA-Seq dataset (91% significantly correlated) or AHBA donor (p-value = 4.43E-20 by t-test) used in the model. Importantly, neuron nuclei location and neuron mRNA location were correlated only after accounting for neural connectivity (p-value = 1.26E-10), which supports the notion that gene expression is a better indicator than nuclei location of cellular localization for cells with large and irregularly shaped cell bodies, such as neurons. These results advocate for the integration of mouse and human data in models of brain tissue heterogeneity.

The most fundamental challenge in current single-cell RNA-seq data analysis is functional interpretation and annotation of cell clusters. The biological pathways in distinct cell types have different activation patterns, which facilitates understanding cell functions in single-cell transcriptomics. However, no effective web tool has been implemented for single-cell transcriptomic data analysis based on prior biological pathway knowledge. Here, we introduce scTPA ( ), which is a web-based platform providing pathway-based analysis of single-cell RNA-seq data in human and mouse. scTPA incorporates four widely-used gene set enrichment methods to estimate the pathway activation scores of single cells based on a collection of available biological pathways with different functional and taxonomic classifications. The clustering analysis and cell-type-specific activation pathway identification were provided for the functional interpretation of cell types from pathway-oriented perspective. An intuitive interface allows users to conveniently visualize and download single-cell pathway signatures. Together, scTPA is a comprehensive tool to identify pathway activation signatures for dissecting single cell heterogeneity.

Abstract Next generation sequencing technologies enable the analysis of the transcriptomes of individual cells, providing a higher resolution of gene expression and function at the single cell level. Various single-cell data are continuously generated every year, covering fields from scientific research to clinical development. The fast-growing public datasets are collected by distinctive platforms, which are designed to facilitate biological discoveries, disease diagnosis, and new treatments. However, these platforms are hard to meet the urgency of having a unified data integration pipeline to improve comparability between datasets. Here we present SynEcoSys, an online multifunctional platform for single-cell transcriptomic data analysis, visualization, and exploration. SynEcoSys by Singleron Biotechnologies currently provides a massive collection of publicly available single-cell sequencing dataset, involving 46,326,175 cells from 731 datasets across multiple platforms and species. All datasets are generated with a strict and uniform data analysis pipeline and cell marker-based manual annotation, thus facilitating more comprehensive and reliable data mining. SynEcoSys is available at: https://www.synecosys.com .