Some patients infected with severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) develop severe pneumonia and acute respiratory distress syndrome1 (ARDS). Distinct clinical features in these patients have led to speculation that the immune response to virus in the SARS-CoV-2-infected alveolus differs from that in other types of pneumonia2. Here we investigate SARS-CoV-2 pathobiology by characterizing the immune response in the alveoli of patients infected with the virus. We collected bronchoalveolar lavage fluid samples from 88 patients with SARS-CoV-2-induced respiratory failure and 211 patients with known or suspected pneumonia from other pathogens, and analysed them using flow cytometry and bulk transcriptomic profiling. We performed single-cell RNA sequencing on 10 bronchoalveolar lavage fluid samples collected from patients with severe coronavirus disease 2019 (COVID-19) within 48 h of intubation. In the majority of patients with SARS-CoV-2 infection, the alveolar space was persistently enriched in T cells and monocytes. Bulk and single-cell transcriptomic profiling suggested that SARS-CoV-2 infects alveolar macrophages, which in turn respond by producing T cell chemoattractants. These T cells produce interferon-γ to induce inflammatory cytokine release from alveolar macrophages and further promote T cell activation. Collectively, our results suggest that SARS-CoV-2 causes a slowly unfolding, spatially limited alveolitis in which alveolar macrophages containing SARS-CoV-2 and T cells form a positive feedback loop that drives persistent alveolar inflammation. Analysis of bronchoalveolar lavage fluid samples from patients with SARS-CoV-2-induced respiratory failure suggests that SARS-CoV-2 infects alveolar macrophages to cause release of T cell chemoattractants, thereby inducing local inflammatory cytokine release and further T cell activation, ultimately resulting in a positive feedback loop that drives alveolar inflammation.

Abstract Large language models such as ChatGPT can produce increasingly realistic text, with unknown information on the accuracy and integrity of using these models in scientific writing. We gathered fifth research abstracts from five high-impact factor medical journals and asked ChatGPT to generate research abstracts based on their titles and journals. Most generated abstracts were detected using an AI output detector, ‘GPT-2 Output Detector’, with % ‘fake’ scores (higher meaning more likely to be generated) of median [interquartile range] of 99.98% ‘fake’ [12.73%, 99.98%] compared with median 0.02% [IQR 0.02%, 0.09%] for the original abstracts. The AUROC of the AI output detector was 0.94. Generated abstracts scored lower than original abstracts when run through a plagiarism detector website and iThenticate (higher scores meaning more matching text found). When given a mixture of original and general abstracts, blinded human reviewers correctly identified 68% of generated abstracts as being generated by ChatGPT, but incorrectly identified 14% of original abstracts as being generated. Reviewers indicated that it was surprisingly difficult to differentiate between the two, though abstracts they suspected were generated were vaguer and more formulaic. ChatGPT writes believable scientific abstracts, though with completely generated data. Depending on publisher-specific guidelines, AI output detectors may serve as an editorial tool to help maintain scientific standards. The boundaries of ethical and acceptable use of large language models to help scientific writing are still being discussed, and different journals and conferences are adopting varying policies.

Some patients with severe COVID-19 develop end-stage pulmonary fibrosis for which lung transplantation may be the only treatment.

Abstract Single-cell technologies have transformed our understanding of human tissues. Yet, studies typically capture only a limited number of donors and disagree on cell type definitions. Integrating many single-cell datasets can address these limitations of individual studies and capture the variability present in the population. Here we present the integrated Human Lung Cell Atlas (HLCA), combining 49 datasets of the human respiratory system into a single atlas spanning over 2.4 million cells from 486 individuals. The HLCA presents a consensus cell type re-annotation with matching marker genes, including annotations of rare and previously undescribed cell types. Leveraging the number and diversity of individuals in the HLCA, we identify gene modules that are associated with demographic covariates such as age, sex and body mass index, as well as gene modules changing expression along the proximal-to-distal axis of the bronchial tree. Mapping new data to the HLCA enables rapid data annotation and interpretation. Using the HLCA as a reference for the study of disease, we identify shared cell states across multiple lung diseases, including SPP1 + profibrotic monocyte-derived macrophages in COVID-19, pulmonary fibrosis and lung carcinoma. Overall, the HLCA serves as an example for the development and use of large-scale, cross-dataset organ atlases within the Human Cell Atlas.

Some patients infected with Severe Acute Respiratory Syndrome Coronavirus-2 (SARS-CoV-2) develop severe pneumonia and the acute respiratory distress syndrome (ARDS) [1]. Distinct clinical features in these patients have led to speculation that the immune response to virus in the SARS-CoV-2-infected alveolus differs from other types of pneumonia [2]. We collected bronchoalveolar lavage fluid samples from 86 patients with SARS-CoV-2-induced respiratory failure and 252 patients with known or suspected pneumonia from other pathogens and subjected them to flow cytometry and bulk transcriptomic profiling. We performed single cell RNA-Seq in 5 bronchoalveolar lavage fluid samples collected from patients with severe COVID-19 within 48 hours of intubation. In the majority of patients with SARS-CoV-2 infection at the onset of mechanical ventilation, the alveolar space is persistently enriched in alveolar macrophages and T cells without neutrophilia. Bulk and single cell transcriptomic profiling suggest SARS-CoV-2 infects alveolar macrophages that respond by recruiting T cells. These T cells release interferon-gamma to induce inflammatory cytokine release from alveolar macrophages and further promote T cell recruitment. Our results suggest SARS-CoV-2 causes a slowly unfolding, spatially-limited alveolitis in which alveolar macrophages harboring SARS-CoV-2 transcripts and T cells form a positive feedback loop that drives progressive alveolar inflammation. This manuscript is accompanied by an online resource: https://www.nupulmonary.org/covid-19/.SARS-CoV-2-infected alveolar macrophages form positive feedback loops with T cells in patients with severe COVID-19.

Abstract Summary As the use of single-cell technologies has grown, so has the need for tools to explore these large, complicated datasets. The UCSC Cell Browser is a tool that allows scientists to visualize gene expression and metadata annotation distribution throughout a single-cell dataset or multiple datasets. Availability and implementation We provide the UCSC Cell Browser as a free website where users can explore a growing collection of single-cell datasets and a freely available python package for scientists to create stable, self-contained visualizations for their own single-cell datasets. Learn more at https://cells.ucsc.edu . Contact cells@ucsc.edu

Abstract Regulatory T (Treg) cells orchestrate resolution and repair of acute lung inflammation and injury following viral pneumonia. Compared with younger patients, older individuals experience impaired recovery and worse clinical outcomes after severe viral infections, including influenza and the novel severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2). Whether age is a key determinant of Treg cell pro-repair function following lung injury remains unknown. Here, we show that aging results in a cell-autonomous impairment of reparative Treg cell function following experimental influenza pneumonia. Transcriptional and DNA methylation profiling of sorted Treg cells provide insight into the mechanisms underlying their age-related dysfunction, with Treg cells from aged mice demonstrating both loss of reparative programs and gain of maladaptive programs. Novel strategies that restore youthful Treg cell functional programs could be leveraged as therapies to improve outcomes among older individuals with severe viral pneumonia.

ABSTRACT Organ- and body-scale cell atlases have the potential to transform our understanding of human biology. To capture the variability present in the population, these atlases must include diverse demographics such as age and ethnicity from both healthy and diseased individuals. The growth in both size and number of single-cell datasets, combined with recent advances in computational techniques, for the first time makes it possible to generate such comprehensive large-scale atlases through integration of multiple datasets. Here, we present the integrated Human Lung Cell Atlas (HLCA) combining 46 datasets of the human respiratory system into a single atlas spanning over 2.2 million cells from 444 individuals across health and disease. The HLCA contains a consensus re-annotation of published and newly generated datasets, resolving under- or misannotation of 59% of cells in the original datasets. The HLCA enables recovery of rare cell types, provides consensus marker genes for each cell type, and uncovers gene modules associated with demographic covariates and anatomical location within the respiratory system. To facilitate the use of the HLCA as a reference for single-cell lung research and allow rapid analysis of new data, we provide an interactive web portal to project datasets onto the HLCA. Finally, we demonstrate the value of the HLCA reference for interpreting disease-associated changes. Thus, the HLCA outlines a roadmap for the development and use of organ-scale cell atlases within the Human Cell Atlas.

Aging is among the most important risk factors for the development of pulmonary fibrosis. We found that a small molecule that specifically inhibits translational inhibition induced by activation of the integrated stress response (ISRIB) attenuated the severity of pulmonary fibrosis in young and old mice. The more severe fibrosis in old compared to young mice was associated with increased recruitment of pathogenic monocyte-derived alveolar macrophages. Using genetic lineage tracing and transcriptomic profiling we found that ISRIB modulates stress response signaling in alveolar epithelial cells resulting in decreased apoptosis and decreased recruitment of pathogenic monocyte-derived alveolar macrophages. These data support multicellular model of fibrosis involving epithelial cells, pathogenic monocyte-derived alveolar macrophages and fibroblasts. Inhibition of the integrated stress response in the aging lung epithelium ameliorates pulmonary fibrosis by preventing the prolonged recruitment of monocyte-derived alveolar macrophages.