Abstract Activation of lipid metabolism is an early event in carcinogenesis and a central hallmark of many cancers. However, the precise molecular composition of lipids in tumors remains generally poorly characterized. The aim of the present study was to analyze the global lipid profiles of breast cancer, integrate the results to protein expression, and validate the findings by functional experiments. Comprehensive lipidomics was conducted in 267 human breast tissues using ultraperformance liquid chromatography/ mass spectrometry. The products of de novo fatty acid synthesis incorporated into membrane phospholipids, such as palmitate-containing phosphatidylcholines, were increased in tumors as compared with normal breast tissues. These lipids were associated with cancer progression and patient survival, as their concentration was highest in estrogen receptor–negative and grade 3 tumors. In silico transcriptomics database was utilized in investigating the expression of lipid metabolism related genes in breast cancer, and on the basis of these results, the expression of specific proteins was studied by immunohistochemistry. Immunohistochemical analyses showed that several genes regulating lipid metabolism were highly expressed in clinical breast cancer samples and supported also the lipidomics results. Gene silencing experiments with seven genes [ACACA (acetyl-CoA carboxylase α), ELOVL1 (elongation of very long chain fatty acid–like 1), FASN (fatty acid synthase), INSIG1 (insulin-induced gene 1), SCAP (sterol regulatory element–binding protein cleavage–activating protein), SCD (stearoyl-CoA desaturase), and THRSP (thyroid hormone–responsive protein)] indicated that silencing of multiple lipid metabolism–regulating genes reduced the lipidomic profiles and viability of the breast cancer cells. Taken together, our results imply that phospholipids may have diagnostic potential as well as that modulation of their metabolism may provide therapeutic opportunities in breast cancer treatment. Cancer Res; 71(9); 3236–45. ©2011 AACR.

Our knowledge on tissue- and disease-specific functions of human genes is rather limited and highly context-specific. Here, we have developed a method for the comparison of mRNA expression levels of most human genes across 9,783 Affymetrix gene expression array experiments representing 43 normal human tissue types, 68 cancer types, and 64 other diseases. This database of gene expression patterns in normal human tissues and pathological conditions covers 113 million datapoints and is available from the GeneSapiens website.

SUMMARY The phenotype of a cell and its underlying molecular state is strongly influenced by extracellular signals, including growth factors, hormones, and extracellular matrix. While these signals are normally tightly controlled, their dysregulation leads to phenotypic and molecular states associated with diverse diseases. To develop a detailed understanding of the linkage between molecular and phenotypic changes, we generated a comprehensive dataset that catalogs the transcriptional, proteomic, epigenomic and phenotypic responses of MCF10A mammary epithelial cells after exposure to the ligands EGF, HGF, OSM, IFNG, TGFB and BMP2. Systematic assessment of the molecular and cellular phenotypes induced by these ligands comprise the LINCS Microenvironment (ME) perturbation dataset, which has been curated and made publicly available for community-wide analysis and development of novel computational methods ( synapse.org/LINCS_MCF10A ). In illustrative analyses, we demonstrate how this dataset can be used to discover functionally related molecular features linked to specific cellular phenotypes.

Abstract Triple-negative breast cancer (TNBC) patients have a poor prognosis and few treatment options. Mouse models of TNBC are important for development of new targeted therapies, but few TNBC mouse models exist. Here, we developed a novel TNBC murine model by mimicking two common TNBC mutations with high co-occurrence: amplification of the oncogene MYC and deletion of the tumor suppressor PTEN. This Myc;Ptenfl murine model develops TN mammary tumors that display histological and molecular features commonly found in human TNBC. We performed deep omic analyses on Myc;Ptenfl tumors including machine learning for morphologic features, bulk and single-cell RNA-sequencing, multiplex immunohistochemistry and single-cell phenotyping. Through comparison with human TNBC, we demonstrated that this new genetic mouse model develops mammary tumors with differential survival that closely resemble the inter- and intra-tumoral and microenvironmental heterogeneity of human TNBC; providing a unique pre-clinical tool for assessing the spectrum of patient TNBC biology and drug response. Statement of significance The development of cancer models that mimic triple-negative breast cancer (TNBC) microenvironment complexities is critical to develop effective drugs and enhance disease understanding. This study addresses a critical need in the field by identifying a murine model that faithfully mimics human TNBC heterogeneity and establishing a foundation for translating preclinical findings into effective human clinical trials.

Spatial profiling of tissues promises to elucidate tumor-microenvironment interactions and enable development of spatial biomarkers to predict patient response to immunotherapy and other therapeutics. However, spatial biomarker discovery is often carried out on a single patient cohort or imaging technology, limiting statistical power and increasing the likelihood of technical artifacts. In order to analyze multiple patient cohorts profiled on different platforms, we developed methods for comparative data analysis from three disparate multiplex imaging technologies: 1) cyclic immunofluorescence data we generated from 102 breast cancer patients with clinical follow-up, in addition to publicly available 2) imaging mass cytometry and 3) multiplex ion-beam imaging data. We demonstrate similar single-cell phenotyping results across breast cancer patient cohorts imaged with these three technologies and identify cellular abundance and proximity-based biomarkers with prognostic value across platforms. In multiple platforms, we identified lymphocyte infiltration as independently associated with longer survival in triple negative and high-proliferation breast tumors. Then, a comparison of nine spatial analysis methods revealed robust spatial biomarkers. In estrogen receptor-positive disease, quiescent stromal cells close to tumor were more abundant in good prognosis tumors while tumor neighborhoods of mixed fibroblast phenotypes were enriched in poor prognosis tumors. In triple-negative breast cancer (TNBC), macrophage proximity to tumor and B cell proximity to T cells were greater in good prognosis tumors, while tumor neighborhoods of vimentin-positive fibroblasts were enriched in poor prognosis tumors. We also tested previously published spatial biomarkers in our ensemble cohort, reproducing the positive prognostic value of isolated lymphocytes and lymphocyte occupancy and failing to reproduce the prognostic value of tumor-immune mixing score in TNBC. In conclusion, we demonstrate assembly of larger clinical cohorts from diverse platforms to aid in prognostic spatial biomarker identification and validation.

Abstract Multiplex imaging technologies are increasingly used for single-cell phenotyping and spatial characterization of tissues; however, transparent methods are needed for comparing the performance of platforms, protocols and analytical pipelines. We developed a python software, mplexable, for reproducible image processing and utilize Jupyter notebooks to share our optimization of signal removal, antibody specificity, background correction and batch normalization of the multiplex imaging with a focus on cyclic immunofluorescence (CyCIF). Our work both improves the CyCIF methodology and provides a framework for multiplexed image analytics that can be easily shared and reproduced.

Abstract Interactions between biological systems and nanomaterials have become an important area of study due to the application of nanomaterials in medicine. In particular, the application of nanomaterials for cancer diagnosis or treatment presents a challenging opportunity due to the complex biology of this disease spanning multiple time and spatial scales. A system-level analysis would benefit from mathematical modeling and computational simulation to explore the interactions between anticancer drug-loaded nanoparticles (NPs), cells, and tissues, and the associated parameters driving this system and a patient’s overall response. Although a number of models have explored these interactions in the past, few have focused on simulating individual cell-NP interactions. This study develops a multicellular agent-based model of cancer nanotherapy that simulates NP internalization, drug release within the cell cytoplasm, “inheritance” of NPs by daughter cells at cell division, cell pharmacodynamic response to the intracellular drug, and overall drug effect on tumor dynamics. A large-scale parallel computational framework is used to investigate the impact of pharmacokinetic design parameters (NP internalization rate, NP decay rate, anticancer drug release rate) and therapeutic strategies (NP doses and injection frequency) on the tumor dynamics. In particular, through the exploration of NP “inheritance” at cell division, the results indicate that cancer treatment may be improved when NPs are inherited at cell division for cytotoxic chemotherapy. Moreover, smaller dosage of cytostatic chemotherapy may also improve inhibition of tumor growth when cell division is not completely inhibited. This work suggests that slow delivery by “heritable” NPs can drive new dimensions of nanotherapy design for more sustained therapeutic response.

Cells sense and respond to their environment by activating distinct intracellular signaling pathways, however signal transmission in individual cells is not well understood. To assess the accuracy of signal transmission in individual cells, we developed an optimized genetically encoded sensor for IGF-I signaling. We stably expressed this sensor in HeLa cells and used live-cell imaging to monitor dynamic responses to IGF-I in individual cells. Across the population, signaling responses overlapped between different IGF-I doses, suggesting limited transmission accuracy. However, analysis of individual cell traces revealed relatively constant responses over time. An information theoretic approach to calculate the channel capacity using variance of the single cell time course data--rather than population data--predicted that cells were capable of discriminating multiple growth factor doses. We validated these predictions by tracking individual cell responses to multiple IGF-I doses and found that cells can accurately distinguish at least four different IGF-I concentrations, and also that the input-output relation varies across the population of individual cells. Furthermore, by monitoring responses to the PI3K inhibitor alpelisib we found a similar discriminatory ability to pathway inhibition. Our studies indicate that heterogeneous responses to IGF-I arise from cells encoding the growth factor input into different signaling outputs and that individual cells can accurately sense and respond to a range of stimuli of varying strengths. These observations reveal the importance of viewing each cell as having its own communication channel and underscore the importance of understanding responses at the single cell level.

Cells are fundamental units of life. Recent technical advances have revolutionized our ability to quantify the state and identity of individual cells, and intercellular regulatory programs. However, these static measurements alone are limited in their ability to predict the complex collective behaviors that emerge from populations of many interacting cells over time. Mathematical models have a proven record of successfully predicting the behaviors of dynamic biological systems, e.g., therapeutic responses in cancer. Simulations from these models enable in silico visualization, examination, and refinement of biological models and can be used to generate new hypotheses about cells and their collective behavior. Agent-based modeling is particularly well-suited to studying communities of interacting cells, as it is intuitive to map a single cell to a single agent. Thus, we have developed a conceptual framing (with a reference implementation in the widely-used PhysiCell agent-based modeling framework) that can be initialized directly from single cell and spatial transcriptomic data, and that can be easily populated with interactive rules. Because the expert mathematical and computational knowledge required to build agent-based models has limited their widespread adoption in the biomedical research community, we engineered this framework to specify complex cellular responses to signals (or stimuli) using a single line of human readable text. This plain language text encodes cellular phenotypes and regulatory mechanisms from high throughput data and published literature, using a novel concept of hypothesis grammar. We motivate and fully describe this grammar and its philosophy, and then present a series of five example reference models of tumor growth and response to immunotherapy. Biologically, these examples demonstrate how mathematical models can predict from single cell and spatial transcriptomic data the cellular phenotypes responsible for tumor cell invasion and the simulation of immunotherapy treatment to overcome tumor cell growth. Computationally, these examples are designed to demonstrate how this conceptual framing and software implementation empower interdisciplinary teams to build an agent-based model of their experimental system, levering prior biological knowledge alone or in combination with information from spatial multi-omics technologies. Altogether, this approach provides an interface to bridge biological, clinical, and systems biology researchers for mathematical modeling of biological systems at scale, allowing the community to extrapolate from single-cell characterization to emergent multicellular behavior.

Summary Mechanisms of therapeutic resistance manifest in metastatic cancers as tumor cell intrinsic alterations and extrinsic microenvironmental influences that can change during treatment. To support the development of methods for the identification of these mechanisms in individual patients, we present here an Omic and Multidimensional Spatial (OMS) Atlas generated from four serial biopsies of a metastatic breast cancer patient during 3.5 years of therapy. This resource links detailed, longitudinal clinical metadata including treatment times and doses, anatomic imaging, and blood-based response measurements to exploratory analytics including comprehensive DNA, RNA, and protein profiles, images of multiplexed immunostaining, and 2- and 3-dimensional scanning electron micrographs. These data reveal aspects of therapy-associated heterogeneity and evolution of the cancer’s genome, signaling pathways, immune microenvironment, cellular composition and organization, and ultrastructure. We present illustrative examples showing how integrative analyses of these data provide insights into potential mechanisms of response and resistance, and suggest novel therapeutic vulnerabilities.