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.

Abstract The tumor immune microenvironment is a main contributor to cancer progression and a promising therapeutic target for oncology. However, immune microenvironments vary profoundly between patients and biomarkers for prognosis and treatment response lack precision. A comprehensive compendium of tumor immune cells is required to pinpoint predictive cellular states and their spatial localization. We generated a single-cell tumor immune atlas, jointly analyzing >500,000 cells from 217 patients and 13 cancer types, providing the basis for a patient stratification based on immune cell compositions. Projecting immune cells from external tumors onto the atlas facilitated an automated cell annotation system for a harmonized interpretation. To enable in situ mapping of immune populations for digital pathology, we applied SPOTlight , combining single-cell and spatial transcriptomics data and identifying striking spatial immune cell patterns in tumor sections. We expect the tumor immune cell atlas, together with our versatile toolbox for precision oncology, to advance currently applied stratification approaches for prognosis and immuno-therapy.

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 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 Inflammation is a key driver of cystic fibrosis (CF) lung disease, not addressed by current standard care. Improved understanding of the mechanisms leading to aberrant inflammation may assist the development of effective anti-inflammatory therapy. Single-cell RNA sequencing (scRNA-seq) allows profiling of cell composition and function at previously unprecedented resolution. Herein, we seek to use multimodal single-cell analysis to comprehensively define immune cell phenotypes, proportions and functional characteristics in preschool children with CF. We analyzed 42,658 cells from bronchoalveolar lavage of 11 preschool children with CF and a healthy control using scRNA-seq and parallel assessment of 154 cell surface proteins. Validation of cell types identified by scRNA-seq was achieved by assessment of samples by spectral flow cytometry. Analysis of transcriptome expression and cell surface protein expression, combined with functional pathway analysis, revealed 41 immune and epithelial cell populations in BAL. Spectral flow cytometry analysis of over 256,000 cells from a subset of the same patients revealed high correlation in major cell type proportions across the two technologies. Macrophages consisted of 13 functionally distinct sub populations, including previously undescribed populations enriched for markers of vesicle production and regulatory/repair functions. Other novel cell populations included CD4 T cells expressing inflammatory IFNα/β and NFκB signalling genes. Our work provides a comprehensive cellular analysis of the pediatric lower airway in preschool children with CF, reveals novel cell types and provides a reference for investigation of inflammation in early life CF.

Abstract A recent study by Wilk et al. of the transcriptome of peripheral blood mononuclear cells (PBMCs) in seven patients hospitalized with COVID-19 described a population of “developing neutrophils” that were “phenotypically related by dimensionality reduction” to plasmablasts, and that these two cell populations represent a “linear continuum of cellular phenotype” 1 . The authors suggest that, in the setting of acute respiratory distress syndrome (ARDS) secondary to severe COVID-19, a “differentiation bridge from plasmablasts to developing neutrophils” connected these distantly related cell types. This conclusion is controversial as it appears to violate several basic principles in cell biology relating to cell lineage identity and fidelity. Correctly classifying cells and their developmental history is an important issue in cell biology and we suggest that this conclusion is not supported by the data as we show here that: (1) regressing out covariates such as unique molecular identifiers (UMIs) can lead to overfitting; and (2) that UMAP embeddings may reflect the expression of similar genes but not necessarily direct cell lineage relationships.

Abstract Advances in droplet-based single cell RNA-sequencing (scRNA-seq) have dramatically increased throughput, allowing tens of thousands of cells to be routinely sequenced in a single experiment. In addition to cells, droplets capture cell-free “ambient” RNA predominately caused by lysis of cells during sample preparation. Samples with high ambient RNA concentration can create challenges in accurately distinguishing cell-containing droplets and droplets containing ambient RNA. Current methods to separate these groups often retain a significant number of droplets that do not contain cells – so called empty droplets. Additional to the challenge of identifying empty drops, there are currently no methods available to detect droplets containing damaged cells, which comprise of partially lysed cells – the original source of the ambient RNA. Here we describe DropletQC , a new method that is able to detect empty droplets, damaged, and intact cells, and accurately distinguish from one another. This approach is based on a novel quality control metric, the nuclear fraction, which quantifies for each droplet the fraction of RNA originating from unspliced, nuclear pre-mRNA. We demonstrate how DropletQC provides a powerful extension to existing computational methods for identifying empty droplets such as EmptyDrops . We have implemented DropletQC as an R package, which can be easily integrated into existing single cell analysis workflows.

ABSTRACT To assess the transcriptomic profile of disease-specific cell populations, fibroblasts from patients with primary open-angle glaucoma (POAG) were reprogrammed into induced pluripotent stem cells (iPSCs) before being differentiated into retinal organoids and compared to those from healthy individuals. We performed single-cell RNA-sequencing of a total of 330,569 cells and identified cluster-specific molecular signatures. Comparing the gene expression profile between cases and controls, we identified novel genetic associations for this blinding disease. Expression quantitative trait mapping identified a total of 2,235 significant loci across all cell types, 58 of which are specific to the retinal ganglion cell subpopulations, which ultimately degenerate in POAG. Transcriptome-wide association analysis identified genes at loci previously associated with POAG, and analysis, conditional on disease status, implicated 54 statistically significant retinal ganglion cell-specific expression quantitative trait loci. This work highlights the power of large-scale iPSC studies to uncover context-specific profiles for a genetically complex disease.

Abstract Background High throughput single-cell RNA sequencing (scRNA-Seq) has emerged as a powerful tool for exploring cellular heterogeneity amongst complex human cancers. scRNA-Seq studies using fresh human surgical tissue is logistically difficult, precludes histopathological triage of samples and limits the ability to perform batch processing. This hinderance can often introduce technical biases when integrating patient datasets and increase experimental costs. Although tissue preservation methods have been previously explored to address such issues, it is yet to be examined on complex human tissues, such as solid cancers, and on high throughput scRNA-Seq platforms. Results We show that the viable cryopreservation of human cancers provides high quality single-cell transcriptomes using the Chromium 10X platform. We sequenced a total of ∼120,000 cells from fresh and cryopreserved replicates across three breast cancers, two prostate cancers and a cutaneous melanoma. Importantly, tumour heterogeneity identified from fresh tissues was largely conserved in cryopreserved replicates. We show that sequencing of single cells prepared from cryopreserved tissue fragments or from cryopreserved cell suspensions is comparable to sequenced cells prepared from fresh tissue, with cryopreserved cell suspensions displaying higher correlations with fresh tissue in gene expression. We then show that cryopreservation had minimal impacts on results of downstream analyses such as biological pathway enrichment. Further, we demonstrate the advantage of cryopreserving whole-cells for immunophenotyping methods such as CITE-Seq, which is impossible using other preservation methods such as single nuclei-sequencing. Conclusions Our study guides new experimental designs for tissue biobanking for future clinical single-cell RNA sequencing studies.

Abstract Using latent variables in gene expression data can help correct spurious correlations due to unobserved confounders and increase statistical power for expression Quantitative Trait Loci (eQTL) detection. Probabilistic Estimation of Expression Residuals (PEER) is a widely used statistical method that has been developed to remove unwanted variation and improve eQTL discovery power in bulk RNA-seq analysis. However, its performance has not been largely evaluated in single-cell eQTL data analysis, where it is becoming a commonly used technique. Potential challenges arise due to the structure of single-cell data, including sparsity, skewness, and mean-variance relationship. Here, we show by a series of analyses that this method requires additional quality control and data transformation steps on the pseudo-bulk matrix to obtain valid PEER factors. By using a population-scale single-cell cohort (OneK1K, N = 982), we found that generating PEER factors without further QC or transformation on the pseudo-bulk matrix could result in inferred factors that are highly correlated (Pearson’s correlation r = 0.626∼0.997). Similar spurious correlations were also found in PEER factors inferred from an independent dataset (induced pluripotent stem cells, N = 31). Optimization of the strategy for generating PEER factors and incorporating the improved PEER factors in the eQTL association model can identify 9.0∼23.1% more eQTLs or 1.7%∼13.3% more eGenes. Sensitivity analysis showed that the pattern of change between the number of eGenes detected and PEER factors fitted varied significantly for different cell types. In addition, using highly variable genes (e.g., top 2000) to generate PEER factors could achieve similar eGenes discovery power as using all genes but save considerable computational resources (∼6.2-fold faster). We provide diagnostic guidelines to improve the robustness and avoid potential pitfalls when generating PEER factors for single-cell eQTL association analyses.