Cognitive dysfunction and reactive microglia are hallmarks of traumatic brain injury (TBI), yet whether these cells contribute to cognitive deficits and secondary inflammatory pathology remains poorly understood. Here, we show that removal of microglia from the mouse brain has little effect on the outcome of TBI, but inducing the turnover of these cells through either pharmacologic or genetic approaches can yield a neuroprotective microglial phenotype that profoundly aids recovery. The beneficial effects of these repopulating microglia are critically dependent on interleukin-6 (IL-6) trans-signaling via the soluble IL-6 receptor (IL-6R) and robustly support adult neurogenesis, specifically by augmenting the survival of newborn neurons that directly support cognitive function. We conclude that microglia in the mammalian brain can be manipulated to adopt a neuroprotective and pro-regenerative phenotype that can aid repair and alleviate the cognitive deficits arising from brain injury.

Abstract Single-cell RNA sequencing has enabled the characterization of highly specific cell types in many tissues, as well as both primary and stem cell-derived cell lines. An important facet of these studies is the ability to identify the transcriptional signatures that define a cell type or state. In theory, this information can be used to classify an individual cell based on its transcriptional profile. Here, we present scPred , a new generalizable method that is able to provide highly accurate classification of single cells, using a combination of unbiased feature selection from a reduced-dimension space, and machine-learning probability-based prediction method. We apply scPred to scRNA-seq data from pancreatic tissue, mononuclear cells, colorectal tumor biopsies, and circulating dendritic cells and show that scPred is able to classify individual cells with high accuracy. The generalized method is available at https://github.com/powellgenomicslab/scPred/ .

Abstract The ability to study cancer-immune cell communication across the whole tumor section without tissue dissociation is needed for cancer immunotherapies, to understand molecular mechanisms and to discover potential druggable targets. In this work, we developed a powerful experimental and analytical toolbox to enable genome-wide scale discovery and targeted validation of cellular communication. We assessed the utilities of five sequencing and imaging technologies to study cancer tissue, including single-cell RNA sequencing and Spatial Transcriptomic (measuring over >20,000 genes), RNA In Situ Hybridization (multiplex 4-12 genes), digital droplet PCR, and Opal multiplex protein staining (4-9 proteins). To spatially integrate multimodal data, we developed a computational method called STRISH that can automatically scan across the whole tissue section for local expression of gene and/or protein markers to recapitulate an interaction landscape across the whole tissue. We evaluated the unique ability of this toolbox to discover and validate cell-cell interaction in situ through in-depth analysis of two types of cancer, basal cell carcinoma and squamous cell carcinoma, which account for over 70% of cancer cases. We expect that the approach described here will be widely applied to discover and validate ligand receptor interaction in different types of solid cancer tumors.

Abstract A variety of experimental and computational methods have been developed to demultiplex samples from pooled individuals in a single-cell RNA sequencing (scRNA-Seq) experiment which either require adding information (such as hashtag barcodes) or measuring information (such as genotypes) prior to pooling. We introduce scSplit which utilises genetic differences inferred from scRNA-Seq data alone to demultiplex pooled samples. scSplit also extracts a minimal set of high confidence presence/absence genotypes in each cluster which can be used to map clusters to original samples. Using a range of simulated, merged individual-sample as well as pooled multi-individual scRNA-Seq datasets, we show that scSplit is highly accurate and concordant with demuxlet predictions. Furthermore, scSplit predictions are highly consistent with the known truth in cell-hashing dataset. We also show that multiplexed-scRNA-Seq can be used to reduce batch effects caused by technical biases. scSplit is ideally suited to samples for which external genome-wide genotype data cannot be obtained (for example non-model organisms), or for which it is impossible to obtain unmixed samples directly, such as mixtures of genetically distinct tumour cells, or mixed infections. scSplit is available at: https://github.com/jon-xu/scSplit

Abstract Understanding the molecular mechanisms underlying mammalian kidney function requires transcriptome profiling of the interplay between cells comprising nephron segments. Traditional transcriptomics requires cell dissociation, resulting in loss of the spatial context of gene expression within native tissue. To address this problem, we performed spatial transcriptomics (ST) to retain the spatial context of the transcriptome in human and mouse kidneys. The generated ST data allowed spatially resolved differential gene expression analysis, spatial identification of functional nephron segments, cell-to-cell interaction analysis, and chronic kidney disease-associated genetic variant calling. Novel ST thus provides an opportunity to enhance kidney diagnostics and knowledge, by retaining the spatial context of gene expression within intact tissue.

Abstract The discovery that somatic cells can be reprogrammed to induced pluripotent stem cells (iPSCs) - cells that can be differentiated into any cell type of the three germ layers - has provided a foundation for in vitro human disease modelling 1,2 , drug development 1,2 , and population genetics studies 3,4 . In the majority of instances, the expression levels of genes, plays a critical role in contributing to disease risk, or the ability to identify therapeutic targets. However, while the effect of the genetic background of cell lines has been shown to strongly influence gene expression, the effect has not been evaluated at the level of individual cells. Differences in the effect of genetic variation on the gene expression of different cell-types, would provide significant resolution for in vitro research using preprogramed cells. By bringing together single cell RNA sequencing 15–21 and population genetics, we now have a framework in which to evaluate the cell-types specific effects of genetic variation on gene expression. Here, we performed single cell RNA-sequencing on 64,018 fibroblasts from 79 donors and we mapped expression quantitative trait loci (eQTL) at the level of individual cell types. We demonstrate that the large majority of eQTL detected in fibroblasts are specific to an individual sub-type of cells. To address if the allelic effects on gene expression are dynamic across cell reprogramming, we generated scRNA-seq data in 19,967 iPSCs from 31 reprogramed donor lines. We again identify highly cell type specific eQTL in iPSCs, and show that that the eQTL in fibroblasts are almost entirely disappear during reprogramming. This work provides an atlas of how genetic variation influences gene expression across cell subtypes, and provided evidence for patterns of genetic architecture that lead to cell-types specific eQTL effects.

ABSTRACT Deep learning cancer classification systems have the potential to improve cancer diagnosis. However, development of these computational approaches depends on prior annotation through a pathologist. This initial step relying on a manual, low-resolution, time-consuming process is highly variable and subject to observer variance. To address this issue, we developed a novel method, H&E Molecular neural network (HEMnet). This two-step process utilises immunohistochemistry as an initial molecular label for cancer cells on a H&E image and then we train a cancer classifier on the overlapping clinical histopathological images. Using this molecular transfer method, we show that HEMnet accurately distinguishes colorectal cancer from normal tissue at high resolution without the need for an initial manual histopathologic evaluation. Our validation study using histopathology images from TCGA samples accurately estimates tumour purity. Overall, our method provides a path towards a fully automated delineation of any type of tumor so long as there is a cancer-oriented molecular stain available for subsequent learning. Software, tutorials and interactive tools are available at: https://github.com/BiomedicalMachineLearning/HEMnet

ABSTRACT Purpose The liver is the most frequent metastatic site for colorectal cancer ( CRC ). Its microenvironment is modified to provide a niche that allows CRC cell growth. This study focused on characterizing the cellular changes in the metastatic CRC ( mCRC ) liver tumor microenvironment ( TME ). Experimental Design We analyzed a series of microsatellite stable (MSS) mCRCs to the liver, paired normal liver tissue and peripheral blood mononuclear cells using single cell RNA-seq ( scRNA-seq ). We validated our findings using multiplexed spatial imaging and bulk gene expression with cell deconvolution. Results We identified TME-specific SPP1 -expressing macrophages with altered metabolism features, foam cell characteristics and increased activity for extracellular matrix ( ECM ) organization. SPP1+ macrophages and fibroblasts expressed complementary ligand receptor pairs with the potential to mutually influence their gene expression programs. TME lacked dysfunctional CD8 T cells and contained regulatory T cells, indicative of immunosuppression. Spatial imaging validated these cell states in the TME. Moreover, TME macrophages and fibroblasts had close spatial proximity, a requirement for intercellular communication and networking. In an independent cohort of mCRCs in the liver, we confirmed the presence of SPP1 + macrophages and fibroblasts using gene expression data. An increased proportion of TME fibroblasts was associated with worst prognosis in these patients. Conclusions We demonstrated that mCRC in the liver is characterized by transcriptional alterations of macrophages in the TME. Intercellular networking between macrophages and fibroblasts supports CRC growth in the immunosuppressed metastatic niche in the liver. These features can be used to target these immune checkpoint resistant MSS tumors. TRANSLATIONAL RELEVANCE The liver is the commonest site for metastatic colorectal cancer ( mCRC ). Alterations in the tumor microenvironment ( TME ) allow metastatic cells to seed the distant liver site and grow. Leveraging single-cell RNA sequencing, we discovered a distinct SPP1 + macrophage cell state with pro-fibrogenic gene expression and altered metabolism. These SPP1 + macrophages communicated with fibroblasts, mutually influencing each other’s gene expression program. Using spatial imaging, we confirmed proximal colocalization between macrophages and fibroblasts in the mCRC TME, which is required for intercellular communication. These states and intercellular communication promoted immunosuppression in the TME, with a lack of dysfunctional anti-tumor CD8 T cells and prevalence of regulatory T cells. Increased fibroblasts were associated with worst prognosis in an independent patient cohort. Our results identified novel TME features that result in reshaping of the metastatic niche that allows progression of mCRC. These features can be potential targets for mCRC treatment, which is microsatellite stable and resistant to immune checkpoint blockade.