Temporal resolution of cellular features associated with a severe COVID-19 disease trajectory is needed for understanding skewed immune responses and defining predictors of outcome. Here, we performed a longitudinal multi-omics study using a two-center cohort of 14 patients. We analyzed the bulk transcriptome, bulk DNA methylome, and single-cell transcriptome (>358,000 cells, including BCR profiles) of peripheral blood samples harvested from up to 5 time points. Validation was performed in two independent cohorts of COVID-19 patients. Severe COVID-19 was characterized by an increase of proliferating, metabolically hyperactive plasmablasts. Coinciding with critical illness, we also identified an expansion of interferon-activated circulating megakaryocytes and increased erythropoiesis with features of hypoxic signaling. Megakaryocyte- and erythroid-cell-derived co-expression modules were predictive of fatal disease outcome. The study demonstrates broad cellular effects of SARS-CoV-2 infection beyond adaptive immune cells and provides an entry point toward developing biomarkers and targeted treatments of patients with COVID-19.

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

Abstract Resting state has been established as a classical paradigm of brain activity studies, mostly based on large scale measurements such as fMRI or M/EEG. This term typically refers to a behavioral state characterized by the absence of any task or stimuli. The corresponding neuronal activity is often called idle or ongoing. Numerous modeling studies on spiking neural networks claim to mimic such idle states, but compare their results to task- or stimulus-driven experiments, which might lead to misleading conclusions. To provide a proper basis for comparing physiological and simulated network dynamics, we characterize simultaneously recorded single neurons’ spiking activity in monkey motor cortex and show the differences from spontaneous and task-induced movement conditions. The resting state shows a higher dimensionality, reduced firing rates and less balance between population level excitation and inhibition than behavior-related states. Additionally, our results stress the importance of distinguishing between rest with eyes open and closed.

Modern electrophysiological recordings simultaneously capture single-unit spiking activities of hundreds of neurons spread across large cortical distances. Yet this massively parallel activity is often confined to relatively low-dimensional manifolds. This implies strong coordination also among neurons that are most likely not even connected. Here, we combine in vivo recordings with network models and theory to characterize the nature of mesoscopic coordination patterns in macaque motor cortex and to expose their origin: We find that heterogeneity in local connectivity supports network states with complex long-range cooperation between neurons that arises from multi-synaptic, short-range connections. Our theory explains the experimentally observed spatial organization of covariances in resting state recordings as well as the behaviorally related modulation of covariance patterns during a reach-to-grasp task. The ubiquity of heterogeneity in local cortical circuits suggests that the brain uses the described mechanism to flexibly adapt neuronal coordination to momentary demands.

Local field potentials (LFP) reflect the integrated electrophysiological activity of a large group of neurons. To minimize influence of external activity on the analysis, conventionally bipolar recordings are used to eliminate volume-conducted signals. Here we introduce a novel method, called phase-coherence classification (PCC), to separate LFP in time-frequency domain into a volume-conducted, a local incoherent and local coherent signal. The PCC allows to compute the power spectral densities of each signal and to associate each class with possible locations of electrophysiological activity. In order to test the resolution properties and accuracy of the method we generate composite and non-stationary synthetic time series with similar statistical characteristics as measured LFP. The PCC identifies volume-conducted signals with a phase threshold that is determined from probability density functions of non-phase-shifted synthetic time series. We estimate optimal PCC parameters for the analysis of beta band oscillations in LFP and apply the PCC to a test data set obtained from within the subthalamic nucleus of eight patients with Parkinson's disease (PD). We show that PCC can identify activity of multiple local clusters during a tremor episode and quantify the relative power of local and volume-conducted signals. We further analyze the electrophysiological response to an apomorphine injection during rest and show that incoherent activity in the low beta band shows a significant medication-induced decrease. We further find significant movement-induced changes on medication of the local coherent signal, which increased during an isometric hold task and decreased during phasic wrist movement. This indicates a different role of incoherent and coherent signals possibly related to physiologically different networks. This new PCC method can potentially also be applied to EEG and MEG data in order to minimize the influence of spatial leakage on power spectra and coherence estimates.

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.