Abstract Small-molecule inhibitors of the CDK4/6 cell-cycle kinases have shown clinical efficacy in estrogen receptor (ER)-positive metastatic breast cancer, although their cytostatic effects are limited by primary and acquired resistance. Here we report that ER-positive breast cancer cells can adapt quickly to CDK4/6 inhibition and evade cytostasis, in part, via noncanonical cyclin D1-CDK2–mediated S-phase entry. This adaptation was prevented by cotreatment with hormone therapies or PI3K inhibitors, which reduced the levels of cyclin D1 (CCND1) and other G1–S cyclins, abolished pRb phosphorylation, and inhibited activation of S-phase transcriptional programs. Combined targeting of both CDK4/6 and PI3K triggered cancer cell apoptosis in vitro and in patient-derived tumor xenograft (PDX) models, resulting in tumor regression and improved disease control. Furthermore, a triple combination of endocrine therapy, CDK4/6, and PI3K inhibition was more effective than paired combinations, provoking rapid tumor regressions in a PDX model. Mechanistic investigations showed that acquired resistance to CDK4/6 inhibition resulted from bypass of cyclin D1–CDK4/6 dependency through selection of CCNE1 amplification or RB1 loss. Notably, although PI3K inhibitors could prevent resistance to CDK4/6 inhibitors, they failed to resensitize cells once resistance had been acquired. However, we found that cells acquiring resistance to CDK4/6 inhibitors due to CCNE1 amplification could be resensitized by targeting CDK2. Overall, our results illustrate convergent mechanisms of early adaptation and acquired resistance to CDK4/6 inhibitors that enable alternate means of S-phase entry, highlighting strategies to prevent the acquisition of therapeutic resistance to these agents. Cancer Res; 76(8); 2301–13. ©2016 AACR.

ABSTRACT Mutations affecting enhancer chromatin regulators CREBBP and KMT2D are highly co-occurrent in germinal center (GC)-derived lymphomas and other tumors, even though regulating similar pathways. Herein, we report that combined haploinsufficiency of Crebbp and Kmt2d (C+K) indeed accelerated lymphomagenesis. C+K haploinsufficiency induced GC hyperplasia by altering cell fate decisions, skewing B cells away from memory and plasma cell differentiation. C+K deficiency particularly impaired enhancer activation for immune synapse genes involved in exiting the GC reaction. This effect was especially severe at super-enhancers for immunoregulatory and differentiation genes. Mechanistically, CREBBP and KMT2D formed a complex, were highly co-localized on chromatin, and were required for each-other’s stable recruitment to enhancers. Notably, C+K lymphomas in mice and humans manifested significantly reduced CD8 + T-cell abundance. Hence, deficiency of C+K cooperatively induced an immune evasive phenotype due at least in part to failure to activate key immune synapse super-enhancers, associated with altered immune cell fate decisions. SIGNIFICANCE Although CREBBP and KMT2D have similar enhancer regulatory functions, they are paradoxically co-mutated in lymphomas. We show that their combined loss causes specific disruption of super-enhancers driving immune synapse genes. Importantly, this leads to reduction of CD8 cells in lymphomas, linking super-enhancer function to immune surveillance, with implications for immunotherapy resistance.

The identification of cell-type-specific 3D chromatin interactions between regulatory elements can help to decipher gene regulation and to interpret the function of disease-associated non-coding variants. However, current chromosome conformation capture (3C) technologies are unable to resolve interactions at this resolution when only small numbers of cells are available as input. We therefore present ChromaFold, a deep learning model that predicts 3D contact maps and regulatory interactions from single-cell ATAC sequencing (scATAC-seq) data alone. ChromaFold uses pseudobulk chromatin accessibility, co-accessibility profiles across metacells, and predicted CTCF motif tracks as input features and employs a lightweight architecture to enable training on standard GPUs. Once trained on paired scATAC-seq and Hi-C data in human cell lines and tissues, ChromaFold can accurately predict both the 3D contact map and peak-level interactions across diverse human and mouse test cell types. In benchmarking against a recent deep learning method that uses bulk ATAC-seq, DNA sequence, and CTCF ChIP-seq to make cell-type-specific predictions, ChromaFold yields superior prediction performance when including CTCF ChIP-seq data as an input and comparable performance without. Finally, fine-tuning ChromaFold on paired scATAC-seq and Hi-C in a complex tissue enables deconvolution of chromatin interactions across cell subpopulations. ChromaFold thus achieves state-of-the-art prediction of 3D contact maps and regulatory interactions using scATAC-seq alone as input data, enabling accurate inference of cell-type-specific interactions in settings where 3C-based assays are infeasible.