Abstract Lung cancer treatment has benefited greatly from the development of effective immune-based therapies. However, these strategies still fail in a large subset of patients. Tumor-intrinsic mutations can drive immune evasion via recruiting immunosuppressive populations or suppressing anti-tumor immune responses. KEAP1 is one of the most frequently mutated genes in lung adenocarcinoma patients and is associated with poor prognosis and inferior response to all therapies, including checkpoint blockade. Here, we established a novel antigenic lung cancer model and showed that Keap1-mutant tumors promote dramatic remodeling of the tumor immune microenvironment. Combining single-cell technology and depletion studies, we demonstrate that Keap1-mutant tumors diminish dendritic cell and T cell responses driving immunotherapy resistance. Importantly, analysis of KEAP1 mutant patient tumors revealed analogous decrease in dendritic cell and T cell infiltration. Our study provides new insight into the role of KEAP1 mutations in promoting immune evasion and suggests a path to novel immune-based therapeutic strategies for KEAP1 mutant lung cancer. Statement of significance This study establishes that tumor-intrinsic KEAP1 mutations contribute to immune evasion through suppression of dendritic cell and T cell responses, explaining the observed resistance to immunotherapy of KEAP1 mutant tumors. These results highlight the importance of stratifying patients based on KEAP1 status and paves the way for novel therapeutic strategies.

Abstract Early-stage lung adenocarcinoma is typically treated by surgical resection of the tumor. While in the majority of cases surgery can lead to cure, approximately 30% of patients progress. Despite intense efforts to map the genetic landscape of early-stage lung tumors, there has been limited success in discovering accurate biomarkers that can predict clinical outcomes. Meanwhile, the role of the tumor-adjacent tissue in cancer progression has been largely ignored. To test whether tumor-adjacent tissue can be informative of progression-free survival and to probe the underlying molecular pathways involved, we designed a multi-omic study in both tumor and matched tumor-adjacent histologically normal lung tissue from the same patient. Our study includes 143 treatment naive stage I cases with long-term patient follow-up and is, to our knowledge, the largest such study with the longest follow-up. We performed a comprehensive histologic characterization of all tumors, mapped the mutational landscape and probed the transcriptome of both tumor and adjacent normal tissue. We evaluated the predictive power of each data modality and showed that the transcriptome of tumor-adjacent histologically normal lung tissue is the only reliable predictor of clinical outcome. Unbiased discovery of co-expressed gene modules revealed that inflammatory pathways are upregulated in the tumor-adjacent tissue of patients at high risk for disease progression. Furthermore, single-cell transcriptome analysis in the tumor-adjacent lung demonstrated that progression-associated inflammatory signatures were broadly expressed by both immune and non-immune cells including mesothelial cells, alveolar type 2 cells and fibroblasts, CD1 dendritic cells and MAST cells. Collectively, our studies suggest that molecular profiling of tumor-adjacent tissue can identify patients that are at high risk for disease progression.

Tumor mutations can influence the surrounding microenvironment leading to suppression of anti-tumor immune responses and thereby contributing to tumor progression and failure of cancer therapies. Here we use genetically engineered lung cancer mouse models and patient samples to dissect how LKB1 mutations accelerate tumor growth by reshaping the immune microenvironment. Comprehensive immune profiling of LKB1 -mutant vs wildtype tumors revealed dramatic changes in myeloid cells, specifically enrichment of Arg1 + interstitial macrophages and SiglecF Hi neutrophils. We discovered a novel mechanism whereby autocrine LIF signaling in Lkb1 -mutant tumors drives tumorigenesis by reprogramming myeloid cells in the immune microenvironment. Inhibiting LIF signaling in Lkb1 -mutant tumors, via gene targeting or with a neutralizing antibody, resulted in a striking reduction in Arg1 + interstitial macrophages and SiglecF Hi neutrophils, expansion of antigen specific T cells, and inhibition of tumor progression. Thus, targeting LIF signaling provides a new therapeutic approach to reverse the immunosuppressive microenvironment of LKB1 -mutant tumors.

Emerging imaging spatial transcriptomics (iST) platforms and coupled analytical methods can recover cell-to-cell interactions, groups of spatially covarying genes, and gene signatures associated with pathological features, and are thus particularly well-suited for applications in formalin fixed paraffin embedded (FFPE) tissues. Here, we benchmarked the performance of three commercial iST platforms on serial sections from tissue microarrays (TMAs) containing 23 tumor and normal tissue types for both relative technical and biological performance. On matched genes, we found that 10X Xenium shows higher transcript counts per gene without sacrificing specificity, but that all three platforms concord to orthogonal RNA-seq datasets and can perform spatially resolved cell typing, albeit with different false discovery rates, cell segmentation error frequencies, and with varying degrees of sub-clustering for downstream biological analyses. Taken together, our analyses provide a comprehensive benchmark to guide the choice of iST method as researchers design studies with precious samples in this rapidly evolving field.

Abstract Cancer diagnosis and management depend upon the extraction of complex information from microscopy images by pathologists, which requires time-consuming expert interpretation prone to human bias. Supervised deep learning approaches have proven powerful, but are inherently limited by the cost and quality of annotations used for training. Therefore, we present Histomorphological Phenotype Learning, a self-supervised methodology requiring no labels and operating via the automatic discovery of discriminatory features in image tiles. Tiles are grouped into morphologically similar clusters which constitute an atlas of histomorphological phenotypes (HP-Atlas), revealing trajectories from benign to malignant tissue via inflammatory and reactive phenotypes. These clusters have distinct features which can be identified using orthogonal methods, linking histologic, molecular and clinical phenotypes. Applied to lung cancer, we show that they align closely with patient survival, with histopathologically recognised tumor types and growth patterns, and with transcriptomic measures of immunophenotype. These properties are maintained in a multi-cancer study.