Heterobifunctional proteolysis-targeting chimeric compounds leverage the activity of E3 ligases to induce degradation of target oncoproteins and exhibit potent preclinical antitumor activity. To dissect the mechanisms regulating tumor cell sensitivity to different classes of pharmacological "degraders" of oncoproteins, we performed genome-scale CRISPR-Cas9-based gene editing studies. We observed that myeloma cell resistance to degraders of different targets (BET bromodomain proteins, CDK9) and operating through CRBN (degronimids) or VHL is primarily mediated by prevention of, rather than adaptation to, breakdown of the target oncoprotein; and this involves loss of function of the cognate E3 ligase or interactors/regulators of the respective cullin-RING ligase (CRL) complex. The substantial gene-level differences for resistance mechanisms to CRBN- versus VHL-based degraders explains mechanistically the lack of cross-resistance with sequential administration of these two degrader classes. Development of degraders leveraging more diverse E3 ligases/CRLs may facilitate sequential/alternating versus combined uses of these agents toward potentially delaying or preventing resistance.

Abstract CRISPR loss of function screens are a powerful tool to interrogate cancer biology but are known to exhibit a number of biases and artifacts that can confound the results, such as DNA cutting toxicity, incomplete phenotype penetrance and screen quality bias. Computational methods that more faithfully model the CRISPR biological experiment could more effectively extract the biology of interest than typical current methods. Here we introduce Chronos, an algorithm for inferring gene knockout fitness effects based on an explicit model of the dynamics of cell proliferation after CRISPR gene knockout. Chronos is able to exploit longitudinal CRISPR data for improved inference. Additionally, it accounts for multiple sources of bias and can effectively share information across screens when jointly analyzing large datasets such as Project Achilles and Score. We show that Chronos outperforms competing methods across a range of performance metrics in multiple types of experiments.

Abstract Genetic and chemical perturbations impact diverse cellular phenotypes, including multiple indicators of cell health. These readouts reveal toxicity and antitumorigenic effects relevant to drug discovery and personalized medicine. We developed two customized microscopy assays, one using four targeted reagents and the other three targeted reagents, to collectively measure 70 specific cell health phenotypes including proliferation, apoptosis, reactive oxygen species (ROS), DNA damage, and cell cycle stage. We then tested an approach to predict multiple cell health phenotypes using Cell Painting, an inexpensive and scalable image-based morphology assay. In matched CRISPR perturbations of three cancer cell lines, we collected both Cell Painting and cell health data. We found that simple machine learning algorithms can predict many cell health readouts directly from Cell Painting images, at less than half the cost. We hypothesized that these trained models can be applied to accurately predict cell health assay outcomes for any future or existing Cell Painting dataset. For Cell Painting images from a set of 1,500+ compound perturbations across multiple doses, we validated predictions by orthogonal assay readouts, and by confirming mitotic arrest, ROS, and DNA damage phenotypes via PLK, proteasome, and aurora kinase/tubulin inhibition, respectively. We provide an intuitive web app to browse all predictions at http://broad.io/cell-health-app . Our approach can be used to add cell health annotations to Cell Painting perturbation datasets.

Abstract Genome sequencing studies have identified millions of somatic variants in cancer, but their phenotypic impact remains challenging to predict. Current experimental approaches to distinguish between functionally impactful and neutral variants require customized phenotypic assays that often report on average effects, and are not easily scaled. Here, we develop a generalizable, high-dimensional, and scalable approach to functionally assess variant impact in single cells by pooled Perturb-seq. Specifically, we assessed the impact of 200 TP53 and KRAS variants in >300,000 single lung cancer cells, and used the profiles to categorize variants into phenotypic subsets to distinguish gain-of-function, loss-of-function and dominant negative variants, which we validated by comparison to orthogonal assays. Surprisingly, KRAS variants did not merely fit into discrete functional categories, but rather spanned a continuum of gain-of-function phenotypes driven by quantitative shifts in cell composition at the single cell level. We further discovered novel gain-of-function KRAS variants whose impact could not have been predicted solely by their occurrence in patient samples. Our work provides a scalable, gene-agnostic method for coding variant impact phenotyping, which can be applied in cancer and other diseases driven by somatic or germline coding mutations.

Abstract Hundreds of genome-wide loss-of-function screens have been performed, as part of efforts such as The Cancer Dependency Map, to create a catalog of genetic dependencies in a diverse set of cancer contexts. In recent years, large-scale screening efforts have shifted perturbation technology from RNAi to CRISPR-Cas9, due to the superior efficacy and specificity of CRISPR-Cas9-mediated approaches. However, questions remain about the extent to which partial suppression of gene targets could result in selective dependency across cell lines, potentially revealing a larger set of targetable cancer vulnerabilities than can be identified using CRISPR knockout alone. Here, we use CRISPR-Cas9 and RNAi screening data for more than 400 shared cell lines to represent knockout and partial suppression genetic perturbation modalities and evaluate the utility of each for therapeutic target discovery and the inference of gene function. We find that CRISPR screens identify more dependencies, and yield more accurate predictive models and co-dependency relationships overall. However, RNAi outperforms CRISPR in identifying associations (omics, drug, co-dependencies) with genes that are common dependencies for most cell lines (pan-dependencies). As pan-dependencies occur frequently in the CRISPR dataset (~2,000 genes), using results from both RNAi and CRISPR analyses facilitates the discovery of predictive models and associated co-dependencies for a wider range of gene targets than could be detected using either dataset alone. These findings can aid in the interpretation of contrasting results obtained from CRISPR and RNAi screens and reinforce the importance of partial gene suppression methods in building a cancer dependency map.

Abstract Determination of molecular features that mediate clinically aggressive phenotypes in prostate cancer (PrCa) remains a major biological and clinical challenge. Here, we developed a biologically informed deep learning model (P-NET) to stratify PrCa patients by treatment resistance state and evaluate molecular drivers of treatment resistance for therapeutic targeting through complete model interpretability. Using a molecular cohort of 1,238 prostate cancers, we demonstrated that P-NET can predict cancer state using molecular data that is superior to other modeling approaches. Moreover, the biological interpretability within P-NET revealed established and novel molecularly altered candidates, such as MDM4 and FGFR1 , that were implicated in predicting advanced disease and validated in vitro . Broadly, biologically informed fully interpretable neural networks enable preclinical discovery and clinical prediction in prostate cancer and may have general applicability across cancer types.

Abstract Genome-scale CRISPR-Cas9 viability screens performed in cancer cell lines provide a systematic approach to identify cancer dependencies and new therapeutic targets. As multiple large-scale screens become available, a formal assessment of the reproducibility of these experiments becomes necessary. We analyzed data from recently published pan-cancer CRISPR-Cas9 screens performed at the Broad and Sanger institutes. Despite significant differences in experimental protocols and reagents, we found that the screen results are highly concordant across multiple metrics with both common and specific dependencies jointly identified across the two studies. Furthermore, robust biomarkers of gene dependency found in one dataset are recovered in the other. Through further analysis and replication experiments at each institute, we found that batch effects are driven principally by two key experimental parameters: the reagent library and the assay length. These results indicate that the Broad and Sanger CRISPR-Cas9 viability screens yield robust and reproducible findings.

Abstract Pooled variant expression libraries can test the phenotypes of thousands of variants of a gene in a single multiplexed experiment. In a library encoding all single-amino-acid substitutions of a protein, each variant differs from its reference only at a single codon-position located anywhere along the coding sequence. Consequently, accurately identifying these variants by sequencing is a major technical challenge. A popular but expensive brute-force approach is to divide the pool of variants into multiple smaller sub-libraries that each contains variants of a small region and that must each be constructed and screened individually, but that can then be PCR-amplified and fully sequenced with a single read to allow direct readout of variant abundance. Here we present an approach to screen very large variant libraries with mutations spanning a wide region in a single pool, including library design criteria and mutant-detection algorithms that permit reliable calling and counting of variants from large-scale sequencing data.

ABSTRACT Wilms tumor (WT) is the most common renal malignancy of childhood. Despite improvements in the overall survival, relapse occurs in ~15% of patients with favorable histology WT (FHWT). Half of these patients will succumb to their disease. Identifying novel targeted therapies in a systematic manner remains challenging in part due to the lack of faithful preclinical in vitro models. We established ten short-term patient-derived WT cell lines and characterized these models using low-coverage whole genome sequencing, whole exome sequencing and RNA-sequencing, which demonstrated that these ex-vivo models faithfully recapitulate WT biology. We then performed targeted RNAi and CRISPR-Cas9 loss-of-function screens and identified the nuclear export genes ( XPO1 and KPNB1 ) as strong vulnerabilities. We observed that these models are sensitive to nuclear export inhibition using the FDA approved therapeutic agent, selinexor (KPT-330). Selinexor treatment of FHWT suppressed TRIP1 3 expression, which was required for survival. We further identified in vitro and in vivo synergy between selinexor and doxorubicin, a chemotherapy used in high risk FHWT. Taken together, we identified XPO1 inhibition with selinexor as a potential therapeutic option to treat FHWTs and in combination with doxorubicin, leads to durable remissions in vivo .

Clinical outcomes for patients with ovarian and uterine cancers have not improved greatly in the past twenty years. To identify ovarian and uterine cancer vulnerabilities, we analyzed genome-scale CRISPR/ Cas9 loss-of-function screens across 739 human cancer cell lines. We found that many ovarian cancer cell lines overexpress the phosphate importer SLC34A2, which renders them sensitive to loss of the phosphate exporter XPR1. We extensively validated the XPR1 vulnerability in cancer cell lines and found that the XPR1 dependency was retained in vivo. Overexpression of SLC34A2 is frequently observed in tumor samples and is regulated by PAX8 -a transcription factor required for ovarian cancer survival. XPR1 overexpression and copy number amplifications are also frequently observed. Mechanistically, SLC34A2 overexpression and impaired phosphate efflux leads to the accumulation of intracellular phosphate and cell death. We further show that proper localization and phosphate efflux by XPR1 requires a novel binding partner, KIDINS220. Loss of either XPR1 or KIDINS220 results in acidic vacuolar structures which precede cell death. These data point to the XPR1:KIDINS220 complex - and phosphate dysregulation more broadly -as a therapeutic vulnerability in ovarian cancer.