Abstract Hundreds of genome-wide loss-of-function screens have been performed, as part of efforts such as The Cancer Dependency Map, to create a catalog of genetic dependencies in a diverse set of cancer contexts. In recent years, large-scale screening efforts have shifted perturbation technology from RNAi to CRISPR-Cas9, due to the superior efficacy and specificity of CRISPR-Cas9-mediated approaches. However, questions remain about the extent to which partial suppression of gene targets could result in selective dependency across cell lines, potentially revealing a larger set of targetable cancer vulnerabilities than can be identified using CRISPR knockout alone. Here, we use CRISPR-Cas9 and RNAi screening data for more than 400 shared cell lines to represent knockout and partial suppression genetic perturbation modalities and evaluate the utility of each for therapeutic target discovery and the inference of gene function. We find that CRISPR screens identify more dependencies, and yield more accurate predictive models and co-dependency relationships overall. However, RNAi outperforms CRISPR in identifying associations (omics, drug, co-dependencies) with genes that are common dependencies for most cell lines (pan-dependencies). As pan-dependencies occur frequently in the CRISPR dataset (~2,000 genes), using results from both RNAi and CRISPR analyses facilitates the discovery of predictive models and associated co-dependencies for a wider range of gene targets than could be detected using either dataset alone. These findings can aid in the interpretation of contrasting results obtained from CRISPR and RNAi screens and reinforce the importance of partial gene suppression methods in building a cancer dependency map.

Abstract Genome-scale CRISPR-Cas9 viability screens performed in cancer cell lines provide a systematic approach to identify cancer dependencies and new therapeutic targets. As multiple large-scale screens become available, a formal assessment of the reproducibility of these experiments becomes necessary. We analyzed data from recently published pan-cancer CRISPR-Cas9 screens performed at the Broad and Sanger institutes. Despite significant differences in experimental protocols and reagents, we found that the screen results are highly concordant across multiple metrics with both common and specific dependencies jointly identified across the two studies. Furthermore, robust biomarkers of gene dependency found in one dataset are recovered in the other. Through further analysis and replication experiments at each institute, we found that batch effects are driven principally by two key experimental parameters: the reagent library and the assay length. These results indicate that the Broad and Sanger CRISPR-Cas9 viability screens yield robust and reproducible findings.

Abstract Genome-wide genetic screens have identified cellular dependencies in many cancers. Using the Broad Institute’s Achilles shRNA screening dataset, we mined for targetable dependencies by cell lineage. Our studies identified a strong dependency on BCL2L1 , which encodes the BCL-X L anti-apoptotic protein, in a subset of kidney cancer cells. Genetic and pharmacological inactivation of BCL-X L , but not the related anti-apoptotic proteins BCL-2, led to fitness defects in renal cancer cells, and also sensitized them to chemotherapeutics. Neither BCL-X L levels (absolute or normalized to BCL-2) nor the status of the VHL gene, which is frequently mutated in kidney cancer, predicted BCL-X L dependence. Transcriptional profiling, however, identified a ‘BCL-X L dependency’ mRNA signature, which included elevated mesenchymal gene expression in BCL-X L dependent cells. Promoting mesenchymal transition increased BCL-X L dependence; whereas, conversion to a more differentiated state overcame BCL-X L dependence in kidney cancer cells. The ‘BCL-X L dependency’ mRNA signature was observed in almost a third of human clear cell Renal Cell Carcinomas (ccRCCs), which were also associated with worse clinical outcomes. Finally, an orally bioavailable BCL-X L inhibitor, A-1331852, showed anti-tumor efficacy in vivo . Altogether, our studies uncovered an unexpected link between cancer cell state and dependence on the anti-apoptotic BCL-X L protein and justify further testing on BCL-X L blockade as a potential way to target a clinically aggressive subset of human kidney cancers. One Sentence Summary Cell state, but not pVHL and/or HIF status, defines the dependency of kidney cancer cells on the BCL-X L anti-apoptotic protein.

Achieving precision oncology requires accurate identification of targetable cancer vulnerabilities in patients. Generally, genomic features are regarded as the state-of-the-art method for stratifying patients for targeted therapies. In this work, we conduct the first rigorous comparison of DNA- and expression-based predictive models for viability across five datasets encompassing chemical and genetic perturbations. We find that expression consistently outperforms DNA for predicting vulnerabilities, including many currently stratified by canonical DNA markers. Contrary to their perception in the literature, the most successful expression-based models depend on few features and are amenable to biological interpretation. This work points to the importance of exploring more comprehensive expression profiling in clinical settings.

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.