Patient-derived tumor organoids (TOs) are emerging as high-fidelity models to study cancer biology and develop novel precision medicine therapeutics. However, utilizing TOs for systems-biology-based approaches has been limited by a lack of scalable and reproducible methods to develop and profile these models. We describe a robust pan-cancer TO platform with chemically defined media optimized on cultures acquired from over 1,000 patients. Crucially, we demonstrate tumor genetic and transcriptomic concordance utilizing this approach and further optimize defined minimal media for organoid initiation and propagation. Additionally, we demonstrate a neural-network-based high-throughput approach for label-free, light-microscopy-based drug assays capable of predicting patient-specific heterogeneity in drug responses with applicability across solid cancers. The pan-cancer platform, molecular data, and neural-network-based drug assay serve as resources to accelerate the broad implementation of organoid models in precision medicine research and personalized therapeutic profiling programs.

Abstract Resistance to EGFR inhibitors (EGFRi) presents a major obstacle in treating non-small cell lung cancer (NSCLC). One of the most exciting new ways to find potential resistance markers involves running functional genetic screens, such as CRISPR, followed by manual triage of significantly enriched genes. This triage process to identify ‘high value’ hits resulting from the CRISPR screen involves manual curation that requires specialized knowledge and can take even experts several months to comprehensively complete. To find key drivers of resistance faster we build a recommendation system on top of a heterogeneous biomedical knowledge graph integrating pre-clinical, clinical, and literature evidence. The recommender system ranks genes based on trade-offs between diverse types of evidence linking them to potential mechanisms of EGFRi resistance. This unbiased approach identifies 57 resistance markers from >3,000 genes, reducing hit identification time from months to minutes. In addition to reproducing known resistance markers, our method identifies previously unexplored resistance mechanisms that we prospectively validate.

Abstract The phenomenon of mixed/heterogenous treatment responses to cancer therapies within an individual patient presents a challenging clinical scenario. Furthermore, the molecular basis of mixed intra-patient tumor responses remains unclear. Here, we show that patients with metastatic lung adenocarcinoma harbouring co-mutations of EGFR and TP53 , are more likely to have mixed intra-patient tumor responses to EGFR tyrosine kinase inhibition (TKI), compared to those with an EGFR mutation alone. The combined presence of whole genome doubling (WGD) and TP53 co-mutations leads to increased genome instability and genomic copy number aberrations in genes implicated in EGFR TKI resistance. Using mouse models and an in vitro isogenic p53 -mutant model system, we provide evidence that WGD provides diverse routes to drug resistance by increasing the probability of acquiring copy-number gains or losses relative to non-WGD cells. These data provide a molecular basis for mixed tumor responses to targeted therapy, within an individual patient, with implications for therapeutic strategies.

Abstract Drug high-throughput screenings across large molecular-characterised cancer cell line panels enable the discovery of biomarkers, and thereby, cancer precision medicine. The ability to experimentally generate drug response data has accelerated. However, this data is typically quantified by a summary statistic from a best-fit dose response curve, whilst neglecting the uncertainty of the curve fit and the potential variability in the raw readouts. Here, we model the experimental variance using Gaussian Processes, and subsequently, leverage this uncertainty for identifying associated biomarkers with a new statistical framework based on Bayesian testing. Applied to the Genomics of Drug Sensitivity in Cancer, in vitro screening data on 265 compounds across 1,074 cell lines, our uncertainty models identified 24 clinically established drug response biomarkers, and in addition provided evidence for 6 novel biomarkers. We validated our uncertainty estimates with an additional drug screen of 26 drugs, 10 cell lines with 8 to 9 replicates. Our method is applicable to drug high-throughput screens without replicates, and enables robust biomarker discovery for new cancer therapies.

The effectiveness of most cancer targeted therapies is short lived since tumors evolve and develop resistance. Combinations of drugs offer the potential to overcome resistance, however the number of possible combinations is vast necessitating data-driven approaches to find optimal treatments tailored to a patient's tumor. AstraZeneca carried out 11,576 experiments on 910 drug combinations across 85 cancer cell lines, recapitulating in vivo response profiles. These data, the largest openly available screen, were hosted by DREAM alongside deep molecular characterization from the Sanger Institute for a Challenge to computationally predict synergistic drug pairs and associated biomarkers. 160 teams participated to provide the most comprehensive methodological development and subsequent benchmarking to date. Winning methods incorporated prior knowledge of putative drug target interactions. For >60% of drug combinations synergy was reproducibly predicted with an accuracy matching biological replicate experiments, however 20% of drug combinations were poorly predicted by all methods. Genomic rationale for synergy predictions were identified, including antagonism unique to combined PIK3CB/D inhibition with the ADAM17 inhibitor where synergy is seen with other PI3K pathway inhibitors. All data, methods and code are freely available as a resource to the community.

Here we present a machine learning model, Deep Purity (DePuty) that leverages convolutional neural networks to accurately predict tumor purity from next-generation sequencing data from clinical samples without matched normals. As input, our model utilizes SNP-based copy number and minor allele frequency data formulated as a scatterplot image. With a representation matching that used by expert human annotators, we best an existing algorithm using only ~100 manually curated samples. Our simple, data-efficient approach can serve as a straightforward alternative to traditional, more complex statistical methods, for building performant purity prediction models that enable downstream bioinformatic analysis of tumor variants and absolute copy number alterations relevant to cancer genomics.

Abstract Reproducibility of results obtained using RNA data across labs remains a major hurdle in cancer research. Often, molecular predictors trained on one dataset cannot be applied to another due to differences in RNA library preparation and quantification. While current RNA correction algorithms may overcome these differences, they require access to all patient-level data, which necessitates the sharing of training data for predictors when sharing predictors. Here, we describe SpinAdapt, an unsupervised RNA correction algorithm that enables the transfer of molecular models without requiring access to patient-level data. It computes data corrections only via aggregate statistics of each dataset, thereby maintaining patient data privacy. Furthermore, SpinAdapt can correct new samples, thereby enabling evaluation of validation cohorts. Despite an inherent tradeoff between privacy and performance, SpinAdapt outperforms current correction methods that require patient-level data access. We expect this novel correction paradigm to enhance research reproducibility and patient privacy. Finally, SpinAdapt lays a mathematical framework that can be extended to other -omics modalities.

Targeted mono-therapies in cancer are hampered by the ability of tumor cells to escape inhibition through rewiring or alternative pathways. Drug combination approaches can provide a means to overcome these resistance mechanisms. Effective use of combinations requires strategies to select combinations from the enormous space of combinations, and to stratify patients according to their likelihood to respond. We here introduce two complementary workflows: One prioritising experiments in high-throughput screens for drug synergy enrichment, and a consecutive workflow to predict hypothesis-driven synergy stratification. Both approaches only need data of efficacy of single drugs. They rely on the notion of target functional similarity between two target proteins. This notion reflects how similarly effective drugs are on different cancer cells as a function of cancer signaling pathways' activities on those cells. Our synergy prediction workflow revealed that two drugs targeting either the same or functionally opposite pathways are more likely to be synergistic. This enables experimental prioritisation in high-throughput screens and supports the notion that synergy can be achieved by either redundant pathway inhibition or targeting independent compensatory mechanisms. We tested the synergy stratification workflow on seven target protein pairs (AKT/EGFR, AKT/MTOR, BCL2/MTOR, EGFR/MTOR, AKT/BCL2, AKT/ALK and AKT/PARP1, representing 29 combinations and predicted their synergies in 33 breast cancer cell lines (Pearson's correlation r=0.27). Additionally, we experimentally validated predicted synergy of the BRAF/Insulin Receptor combination (Dabrafenib/BMS754807) in 48 colorectal cancer cell lines (r=0.5). In conclusion, our synergy prediction workflow can support compound prioritization in large scale drug screenings, and our synergy stratification workflow can select where the efficacy of drugs already known for inducing synergy is higher.

Combination therapies for various cancers have been shown to increase efficacy, lower toxicity, and circumvent resistance. However, despite the promise of combinatorial therapies, the biological mechanisms behind drug synergy have not been fully characterized, and the systematic testing of all possible synergistic therapies is experimentally infeasible due to the sheer volume of potential combinations. Here we apply a novel big data approach in the evaluation and prediction of drug synergy by using the recently released NCI-ALMANAC. We found that each traditional drug synergy metric (Bliss, Loewe, ZIP, HSA, ALMANAC Score) identified unique synergistic drug pairs with distinct underlying joint mechanisms of action. Leveraging these findings, we developed a suite of context specific drug synergy predictive models for each distinct synergy type and achieved significant predictive performance (AUC = 0.89-0.953). Furthermore, our models accurately identified clinically tested drug pairs and characterized the clinical relevance of each drug synergy metric, with Bliss Independence capturing clinically tested combinations best. Our findings demonstrate that drug synergy can be obtained from numerous unique joint mechanisms of action, captured by different synergy metrics. Additionally, we show that drug synergy, of all kinds, can be predicted with high degrees of accuracy with significant clinical potential. This breakthrough understanding of joint mechanisms of action will allow for the design of rational combinatorial therapeutics on a large scale, across various cancer types.

Abstract Resistance to EGFR inhibitors (EGFRi) presents a major obstacle in treating non-small cell lung cancer (NSCLC). One of the most exciting new ways to find potential resistance markers involves running functional genetic screens, such as CRISPR, followed by manual triage of significantly enriched genes. This triage process to identify ‘high value’ hits resulting from the CRISPR screen involves significant manual curation that requires specialized knowledge and can take even experts several months to comprehensively complete. To find key drivers of resistance faster we built a hybrid recommendation system on top of a heterogeneous biomedical knowledge graph integrating preclinical, clinical, and literature evidence. Genes were ranked based on trade-offs between diverse types of evidence linking them to potential mechanisms of EGFRi resistance. This unbiased approach identified 36 resistance markers from >3,000 genes, reducing hit identification time from months to minutes. In addition to reproducing known resistance markers, our method identified novel resistance mechanisms that we prospectively validated.