Anticancer uses of non-oncology drugs have occasionally been found, but such discoveries have been serendipitous. We sought to create a public resource containing the growth-inhibitory activity of 4,518 drugs tested across 578 human cancer cell lines. We used PRISM (profiling relative inhibition simultaneously in mixtures), a molecular barcoding method, to screen drugs against cell lines in pools. An unexpectedly large number of non-oncology drugs selectively inhibited subsets of cancer cell lines in a manner predictable from the molecular features of the cell lines. Our findings include compounds that killed by inducing phosphodiesterase 3A-Schlafen 12 complex formation, vanadium-containing compounds whose killing depended on the sulfate transporter SLC26A2, the alcohol dependence drug disulfiram, which killed cells with low expression of metallothioneins, and the anti-inflammatory drug tepoxalin, which killed via the multidrug resistance protein ATP-binding cassette subfamily B member 1 (ABCB1). The PRISM drug repurposing resource ( https://depmap.org/repurposing ) is a starting point to develop new oncology therapeutics, and more rarely, for potential direct clinical translation. Golub and colleagues tested thousands of drugs not originally developed for oncology across 578 human cancer cell lines, revealing growth-inhibitory effects and providing a resource to identify drugs with the potential to be repurposed for cancer.

The availability of multiple datasets comprising genome-scale RNAi viability screens in hundreds of diverse cancer cell lines presents new opportunities for understanding cancer vulnerabilities. Integrated analyses of these data to assess differential dependency across genes and cell lines are challenging due to confounding factors such as batch effects and variable screen quality, as well as difficulty assessing gene dependency on an absolute scale. To address these issues, we incorporated cell line screen-quality parameters and hierarchical Bayesian inference into DEMETER2, an analytical framework for analyzing RNAi screens ( https://depmap.org/R2-D2 ). This model substantially improves estimates of gene dependency across a range of performance measures, including identification of gold-standard essential genes and agreement with CRISPR/Cas9-based viability screens. It also allows us to integrate information across three large RNAi screening datasets, providing a unified resource representing the most extensive compilation of cancer cell line genetic dependencies to date.

The availability of multiple datasets together comprising hundreds of genome-scale RNAi viability screens across a diverse range of cancer cell lines presents new opportunities for understanding cancer vulnerabilities. Integrated analyses of these data to assess differential dependency across genes and cell lines are challenging due to confounding factors such as batch effects and variable screen quality, as well as difficulty assessing gene dependency on an absolute scale. To address these issues, we incorporated estimation of cell line screen quality parameters and hierarchical Bayesian inference into an analytical framework for analyzing RNAi screens (DEMETER2; https://depmap.org/R2-D2). We applied this model to individual large-scale datasets and show that it substantially improves estimates of gene dependency across a range of performance measures, including identification of gold-standard essential genes as well as agreement with CRISPR-Cas9-based viability screens. This model also allows us to effectively integrate information across three large RNAi screening datasets, providing a unified resource representing the most extensive compilation of cancer cell line genetic dependencies to date.

Various decisions concerning the management, display, and diagnostic use of electronic health records (EHR) data can be automated using machine learning (ML). We describe how ML is currently applied to EHR data and how it may be applied in the near future. Both benefits and shortcomings of ML are considered.

Anti-cancer uses of non-oncology drugs have been found on occasion, but such discoveries have been serendipitous and rare. We sought to create a public resource containing the growth inhibitory activity of 4,518 drugs tested across 578 human cancer cell lines. To accomplish this, we used PRISM, which involves drug treatment of molecularly barcoded cell lines in pools. Relative barcode abundance following treatment thus reflects viability of each cell line. We found that an unexpectedly large number of non-oncology drugs selectively inhibited subsets of cancer cell lines. Moreover, the killing activity of the majority of these drugs was predictable based on the molecular features of the cell lines. Follow-up of several of these compounds revealed novel mechanisms. For example, compounds that kill by inducing PDE3A-SLFN12 complex formation; vanadium-containing compounds whose killing is dependent on the sulfate transporter SLC26A2; the alcohol dependence drug disulfiram, which kills cells with low expression of metallothioneins; and the anti-inflammatory drug tepoxalin, whose killing is dependent on high expression of the multi-drug resistance gene ABCB1. These results illustrate the potential of the PRISM drug repurposing resource as a starting point for new oncology therapeutic development. The resource is available at https://depmap.org.

The CRISPR-Cas9 system has revolutionized gene editing both on single genes and in multiplexed loss-of-function screens, enabling precise genome-scale identification of genes essential to proliferation and survival of cancer cells. However, previous studies reported that an anti-proliferative effect of Cas9-mediated DNA cleavage confounds such measurement of genetic dependency, particularly in the setting of copy number gain. We performed genome-scale CRISPR-Cas9 essentiality screens on 342 cancer cell lines and found that this effect is common to all lines, leading to false positive results when targeting genes in copy number amplified regions. We developed CERES, a computational method to estimate gene dependency levels from CRISPR-Cas9 essentiality screens while accounting for the copy-number-specific effect, as well as variable sgRNA activity. We applied CERES to sets of screens performed with different sgRNA libraries and found that it reduces false positive results and provides meaningful estimates of sgRNA activity. As a result, the application of CERES improves confidence in the interpretation of genetic dependency data from CRISPR-Cas9 essentiality screens of cancer cell lines.

Abstract We report 11 metagenome-assembled genomes (MAGs) reconstructed from freshwater and saltwater aquaria including representatives of Polynucleobacter, Anaerolinae, Roseobacter, Flavobacteriia, Octadecabacter, Mycobacterium and Candidate Phyla Radiation (CPR) members. These MAGs can serve as a resource for aquatic research and elucidating the role of CPR taxa in the built environment.