Abstract Skin is the most visible indicator of aging, in part because it is the largest organ exposed to the outer environment. It is well recognized that age-related cumulative damage to our skin tissue degrades its structural integrity, yet how age affects the skin at the micro-anatomical and cellular scales is poorly understood. Here, we develop an Automated detection of Skin Cellular features and Microanatomy (AutoSCM) to characterize the microanatomical tissue and cellular features that change in the skin with age. We automatically label twelve distinct skin tissue components and nuclei contours on whole slide images from skin histological sections stained by hematoxylin and eosin (H&E). Then, we extract 914 objective structural features, from which we determine 108 are significantly affected by age and 806 are not. In addition to identifying decreases in epidermal and dermal thickness and hair follicle appendage density with age, we identify four previously unknown biomarkers of human aging in skin including: increased interstitial space, reduced sebaceous gland size, hair loss in back skin, and progressive horizontal alignment of the extracellular matrix and stromal cells. We further find major sex-based differences in aging skin, including increased stromal cell density by 28%, fibroblast density by 24%, epidermal thickness by 15%, and decreased epidermal cell density by 21%, sweat gland size by 23%, and 28% less content of arrector pili muscles in female compared to male. This rigorously curated and segmented atlas of normal skin microarchitecture constitutes important reference maps for future studies in age-associated diseases of the skin.

Abstract Pancreatic ductal adenocarcinoma (PDAC) is one of the deadliest forms of cancer. Accumulating evidence indicates the tumor microenvironment is highly associated with tumorigenesis through regulation of cellular physiology, signaling systems, and gene expression profiles of cancer cells. Yet the mechanisms by which the microenvironment evolves from normal pancreas architecture to precursor lesions and invasive cancer is poorly understood. Obtaining high-content and high-resolution information from a complex tumor microenvironment in large volumetric landscapes represents a key challenge in the field of cancer biology. To address this challenge, we established a novel method to reconstruct three-dimensional (3D) centimeter-scale tissues containing billions of cells from serially sectioned histological samples, utilizing deep learning approaches to recognize eight distinct tissue subtypes from hematoxylin and eosin stained sections at micrometer and single-cell resolution. Using samples from a range of normal, precancerous, and invasive pancreatic cancer tissue, we map in 3D modes of cancer invasion in the tumor microenvironment, and emphasize the need for further 3D quantification of biological systems.

ABSTRACT Cellular senescence is a major driver of aging and disease. Here we show that substrate stiffness modulates the emergence and magnitude of senescence phenotypes post induction. Using a primary dermal fibroblast model of senescence, we show that decreased substrate stiffness accelerates cell-cycle arrest during senescence development and regulate expression of conventional protein-based biomarkers of senescence. We found that the expression of these senescence biomarkers, namely p21 WAF1/CIP1 ( CDKN1a ) and p16 INK4a ( CDKN2a ) are mechanosensitive and are in-part regulated by myosin contractility through focal adhesion kinase (FAK)-ROCK signaling. Interestingly, at the protein level senescence-induced dermal fibroblasts on soft substrates (0.5 kPa) do not express p21 WAF1/CIP1 and p16 INK4a at comparable levels to induced cells on stiff substrates (4GPa). However, cells do express CDKN1a, CDKN2a, and IL6 at the RNA level across both stiff and soft substrates. When cells were transferred from soft to stiff substrates, senescent cells recover an elevated expression expressing p21 WAF1/CIP1 and p16 INK4a at levels comparable to senescence cells on stiff substrates, pointing to a mechanosensitive regulation of the senescence phenotypes. Together, our results indicate that the induction of senescence programs depends critically on the mechanical environments of cells and that senescent cells actively respond and adapt to changing mechanical cues.

ABSTRACT The development of novel imaging platforms has improved our ability to collect and analyze large three-dimensional (3D) biological imaging datasets. Advances in computing have led to an ability to extract complex spatial information from these data, such as the composition, morphology, and interactions of multi-cellular structures, rare events, and integration of multi-modal features combining anatomical, molecular, and transcriptomic (among other) information. Yet, the accuracy of these quantitative results is intrinsically limited by the quality of the input images, which can contain missing or damaged regions, or can be of poor resolution due to mechanical, temporal, or financial constraints. In applications ranging from intact imaging (e.g. light-sheet microscopy and magnetic resonance imaging) to sectioning based platforms (e.g. serial histology and serial section transmission electron microscopy), the quality and resolution of imaging data has become paramount. Here, we address these challenges by leveraging frame interpolation for large image motion (FILM), a generative AI model originally developed for temporal interpolation, for spatial interpolation of a range of 3D image types. Comparative analysis demonstrates the superiority of FILM over traditional linear interpolation to produce functional synthetic images, due to its ability to better preserve biological information including microanatomical features and cell counts, as well as image quality, such as contrast, variance, and luminance. FILM repairs tissue damages in images and reduces stitching artifacts. We show that FILM can decrease imaging time by synthesizing skipped images. We demonstrate the versatility of our method with a wide range of imaging modalities (histology, tissue-clearing/light-sheet microscopy, magnetic resonance imaging, serial section transmission electron microscopy), species (human, mouse), healthy and diseased tissues (pancreas, lung, brain), staining techniques (IHC, H&E), and pixel resolutions (8 nm, 2 µm, 1mm). Overall, we demonstrate the potential of generative AI in improving the resolution, throughput, and quality of biological image datasets, enabling improved 3D imaging.