Abstract Spatial transcriptomic technologies measure gene expression at increasing spatial resolution, approaching individual cells. However, a limitation of current technologies is that spatial measurements may contain contributions from multiple cells, hindering the discovery of cell type-specific spatial patterns of localization and expression. Here, we develop Robust Cell Type Decomposition (RCTD, https://github.com/dmcable/RCTD ), a computational method that leverages cell type profiles learned from single-cell RNA sequencing data to decompose mixtures, such as those observed in spatial transcriptomic technologies. Our approach accounts for platform effects introduced by systematic technical variability inherent to different sequencing modalities. We demonstrate RCTD provides substantial improvement in cell type assignment in Slide-seq data by accurately reproducing known cell type and subtype localization patterns in the cerebellum and hippocampus. We further show the advantages of RCTD by its ability to detect mixtures and identify cell types on an assessment dataset. Finally, we show how RCTD’s recovery of cell type localization uniquely enables the discovery of genes within a cell type whose expression depends on spatial environment. Spatial mapping of cell types with RCTD has the potential to enable the definition of spatial components of cellular identity, uncovering new principles of cellular organization in biological tissue.

Abstract Identifying gene regulatory targets of nuclear proteins in tissues remains a challenge. Here we describe in tranuclear C ellular I ndexing of T ranscriptomes and E pitopes (inCITE-seq), a scalable method for measuring multiplexed intranuclear protein levels and the transcriptome in parallel in thousands of cells, enabling joint analysis of TF levels and gene expression in vivo . We apply inCITE-seq to characterize cell state-related changes upon pharmacological induction of neuronal activity in the mouse brain. Modeling gene expression as a linear combination of quantitative protein levels revealed the genome-wide effect of each TF and recovered known targets. Cell type-specific genes associated with each TF were co-expressed as distinct modules that each corresponded to positive or negative TF levels, showing that our approach can disentangle relative contributions of TFs to gene expression and add interpretability to gene networks. InCITE-seq can illuminate how combinations of nuclear proteins shape gene expression in native tissue contexts, with direct applications to solid or frozen tissues and clinical specimens.

Abstract Splicing is the stepwise molecular process by which introns are removed from pre-mRNA and exons are joined together to form mature mRNA sequences. The ordering and spatial distribution of these steps remain controversial, with opposing models suggesting splicing occurs either during or after transcription. We used single-molecule RNA FISH, expansion microscopy, and live-cell imaging to reveal the spatiotemporal distribution of nascent transcripts in mammalian cells. At super-resolution levels, we found that pre-mRNA formed clouds around the transcription site. These clouds indicate the existence of a transcription site proximal zone through which RNA move more slowly than in the nucleoplasm. Full-length pre-mRNA undergo continuous splicing as they move through this zone following transcription, suggesting a model in which splicing can occur post-transcriptionally but still within the proximity of the transcription site, thus seeming co-transcriptional by most assays. These results may unify conflicting reports of co-transcriptional versus post-transcriptional splicing.

ABSTRACT The neocortex has an unparalleled diversity of cell types, which are generated during development through a series of temporally orchestrated events that are under tight evolutionary constraint and are critical for proper cortical assembly and function. However, the molecular logic that governs the establishment and organization of cortical cell types remains elusive, largely due to the large number of cell classes undergoing dynamic cell-state transitions over extended developmental timelines. Here, we have generated a comprehensive single-cell RNA-seq and single-cell ATAC-seq atlas of the developing mouse neocortex, sampled every day throughout embryonic corticogenesis. We computationally reconstruct developmental trajectories across the diversity of cortical cell classes, and infer the gene regulatory programs that accompany their lineage bifurcation decisions and their differentiation trajectories. Finally, we demonstrate how this developmental map pinpoints the origin of lineage-specific developmental abnormalities linked to aberrant corticogenesis in mutant animals. The data provides the first global picture of the regulatory mechanisms governing cellular diversification in the neocortex.

Abstract While advances in single cell genomics have helped to chart the cellular components of tumor ecosystems, it has been more challenging to characterize their specific spatial organization and functional interactions. Here, we combine single cell RNA-seq and spatial transcriptomics by Slide-seq, to create a detailed spatial map of healthy and dysplastic colon cellular ecosystems and their association with disease progression. We profiled an inducible genetic CRC mouse model that recapitulates key features of human CRC, assigned cell types and epithelial expression programs to spatial tissue locations in tumors, and computationally used them to identify the regional features spanning different cells in the same spatial niche. We find that tumors were organized in cellular neighborhoods, each with a distinct composition of cell subtypes, expression programs, and local cellular interactions. Three cellular neighborhood archetypes were associated with tumor progression, were active at the same time in different spatial parts of the same tumor, involved dysplasia-specific cellular layouts, and relied on distinct mechanisms: ( 1 ) inflammatory epithelial regions with endothelial cells and monocytes expressing angiogenesis, inflammation and invasion programs; ( 2 ) epithelial stem-like regions, associated with plasma and B cell activity; and ( 3 ) epithelial-to-mesenchymal transition (EMT) regions with dysplastic cells expressing a Wnt signaling program. Comparing to scRNA-seq and Slide-seq data from human CRC, we find that both cell composition and layout features were conserved in both species, with mouse archetypal neighborhoods correlated with malignancy and clinical outcome in human patient tumors, highlighting the relevance of our findings to human disease.

Abstract Profiling cellular heterogeneity in formalin-fixed paraffin-embedded (FFPE) tissues is key to characterizing clinical specimens for biomarkers, therapeutic targets, and drug responses. Here, we optimize methods for isolating intact nuclei and single nucleus RNA-Seq from FFPE tissues in the mouse brain, and demonstrate a pilot application to a human clinical specimen of lung adenocarcinoma. Our method opens the way to broad applications of snRNA-Seq to archival tissues, including clinical samples.

Abstract Spatial transcriptomics enables spatially resolved gene expression measurements at near single-cell resolution. There is a pressing need for computational tools to enable the detection of genes that are differentially expressed (DE) within specific cell types across tissue context. We show that current approaches cannot learn cell type-specific DE due to changes in cell type composition across space and the fact that measurement units often detect transcripts from more than one cell type. Here, we introduce a statistical method, Cell type-Specific Inference of Differential Expression (C-SIDE), that identifies cell type-specific patterns of differential gene expression while accounting for localization of other cell types. We model spatial transcriptomics gene expression as an additive mixture across cell types of general log-linear cell type-specific expression functions. This approach provides a unified framework for defining and identifying gene expression changes in a wide-range of relevant contexts: changes due to pathology, anatomical regions, physical proximity to specific cell types, and cellular microenvironment. Furthermore, our approach enables statistical inference across multiple samples and replicates when such data is available. We demonstrate, through simulations and validation experiments on Slide-seq and MER-FISH datasets, that our approach accurately identifies cell type-specific differential gene expression and provides valid uncertainty quantification. Lastly, we apply our method to characterize spatially-localized tissue changes in the context of disease. In an Alzheimer’s mouse model Slide-seq dataset, we identify plaque-dependent patterns of cellular immune activity. We also find a putative interaction between tumor cells and myeloid immune cells in a Slide-seq tumor dataset. We make our C-SIDE method publicly available as part of the open source R package https://github.com/dmcable/spacexr .

Abstract The diversity of cell types and states can be scalably measured and defined by expressed RNA transcripts. However, approaches to programmably sense and respond to the presence of specific RNAs within living biological systems with high sensitivity are lacking. RNA sensors that gate expression of reporter or cargo genes would have diverse applications for basic biology, diagnostics and therapeutics by enabling cell-state specific control of transgene expression. Here, we engineer a novel programmable RNA-sensing technology, Reprogrammable ADAR Sensors (RADARS), which leverages RNA editing by adenosine deaminases acting on RNA (ADAR) to gate translation of a protein payload on the presence of endogenous RNA transcripts. In mammalian cells, we engineer RADARS with diverse payloads, including luciferase and fluorescent proteins, with up to 164-fold activation and quantitative detection in the presence of target RNAs. We show RADARS are functional either expressed from DNA or as synthetic mRNA. Importantly, RADARS can function with endogenous cellular ADAR. We apply RADARS to multiple contexts, including RNA-sensing induced cell death via caspases, cell type identification, and in vivo control of synthetic mRNA translation, demonstrating RADARS as a tool with significant potential for gene and cell therapy, synthetic biology, and biomedical research. One Sentence Summary A new technology utilizing ADAR mediated RNA-editing enables robust reprogrammable protein expression based on target RNA transcripts in mammalian cells, leading to broad applications in basic science research, cell engineering, and gene therapy.

Summary The brain vasculature supplies neurons with glucose and oxygen, but little is known about how vascular plasticity contributes to brain function. Using longitudinal in vivo imaging, we reported that a substantial proportion of blood vessels in the adult brain sporadically occluded and regressed. Their regression proceeded through sequential stages of blood-flow occlusion, endothelial cell collapse, relocation or loss of pericytes, and retraction of glial endfeet. Regressing vessels were found to be widespread in mouse, monkey and human brains. Both brief occlusions of the middle cerebral artery and lipopolysaccharide-mediated inflammation induced an increase of vessel regression. Blockage of leukocyte adhesion to endothelial cells alleviated LPS-induced vessel regression. We further revealed that blood vessel regression caused a reduction of neuronal activity due to a dysfunction in mitochondrial metabolism and glutamate production. Our results elucidate the mechanism of vessel regression and its role in neuronal function in the adult brain.

Abstract Rapid advances in single-cell-, spatial-, and multi-omics, allow us to profile cellular ecosystems in tissues at unprecedented resolution, scale, and depth. However, both technical limitations, such as low spatial resolution and biological variations, such as continuous spectra of cell states, often render these data imperfect representations of cellular systems, best captured as continuous mixtures over cells or molecules. Based on this conceptual insight, we build a versatile framework, TACCO (Transfer of Annotations to Cells and their COmbinations) that extends an Optimal Transport-based core by different wrappers or boosters to annotate a wide variety of data. We apply TACCO to identify cell types and states, decipher spatio-molecular tissue structure at the cell and molecular level, and resolve differentiation trajectories. TACCO excels in speed, scalability, and adaptability, while successfully outperforming benchmarks across diverse synthetic and biological datasets. Along with highly optimized visualization and analysis functions, TACCO forms a comprehensive integrated framework for studies of high-dimensional, high-resolution biology.