Abstract 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 accurate 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.

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.

SUMMARY Bulk transcriptomic studies have defined classical and basal-like gene expression subtypes in pancreatic ductal adenocarcinoma (PDAC) that correlate with survival and response to chemotherapy; however, the underlying mechanisms that govern these subtypes and their heterogeneity remain elusive. Here, we performed single-cell RNA-sequencing of 23 metastatic PDAC needle biopsies and matched organoid models to understand how tumor cell-intrinsic features and extrinsic factors in the tumor microenvironment (TME) shape PDAC cancer cell phenotypes. We identify a novel cancer cell state that co-expresses basal-like and classical signatures, demonstrates upregulation of developmental and KRAS-driven gene expression programs, and represents a transitional intermediate between the basal-like and classical poles. Further, we observe structure to the metastatic TME supporting a model whereby reciprocal intercellular signaling shapes the local microenvironment and influences cancer cell transcriptional subtypes. In organoid culture, we find that transcriptional phenotypes are plastic and strongly skew toward the classical expression state, irrespective of genotype. Moreover, we show that patient-relevant transcriptional heterogeneity can be rescued by supplementing organoid media with factors found in the TME in a subtype-specific manner. Collectively, our study demonstrates that distinct microenvironmental signals are critical regulators of clinically relevant PDAC transcriptional states and their plasticity, identifies the necessity for considering the TME in cancer modeling efforts, and provides a generalizable approach for delineating the cell-intrinsic versus -extrinsic factors that govern tumor cell phenotypes.

Abstract CRISPR-Cas9 viability screens are increasingly performed at a genome-wide scale across large panels of cell lines to identify new therapeutic targets for precision cancer therapy. Integrating the datasets resulting from these studies is necessary to adequately represent the heterogeneity of human cancers and to assemble a comprehensive map of cancer genetic vulnerabilities. Here, we integrated the two largest public independent CRISPR-Cas9 screens performed to date (at the Broad and Sanger institutes) by assessing, comparing, and selecting methods for correcting biases due to heterogeneous single guide RNA efficiency, gene-independent responses to CRISPR-Cas9 targeting originated from copy number alterations, and experimental batch effects. Our integrated datasets recapitulate findings from the individual datasets, provide greater statistical power to cancer- and subtype-specific analyses, unveil additional biomarkers of gene dependency, and improve the detection of common essential genes. We provide the largest integrated resources of CRISPR-Cas9 screens to date and the basis for harmonizing existing and future functional genetics datasets.

Abstract Selective targeting of aneuploid cells is an attractive strategy for cancer treatment. Here, we mapped the aneuploidy landscapes of ~1,000 human cancer cell lines and classified them by their degree of aneuploidy. Next, we performed a comprehensive analysis of large-scale genetic and chemical perturbation screens, in order to compare the cellular vulnerabilities between near-diploid and highly-aneuploid cancer cells. We identified and validated an increased sensitivity of aneuploid cancer cells to genetic perturbation of core components of the spindle assembly checkpoint (SAC), which ensures the proper segregation of chromosomes during mitosis. Surprisingly, we also found highly-aneuploid cancer cells to be less sensitive to short-term exposures to multiple inhibitors of the SAC regulator TTK . To resolve this paradox and to uncover its mechanistic basis, we established isogenic systems of near-diploid cells and their aneuploid derivatives. Using both genetic and chemical inhibition of BUB1B , MAD2 and TTK , we found that the cellular response to SAC inhibition depended on the duration of the assay, as aneuploid cancer cells became increasingly more sensitive to SAC inhibition over time. The increased ability of aneuploid cells to slip from mitotic arrest and to keep dividing in the presence of SAC inhibition was coupled to aberrant spindle geometry and dynamics. This resulted in a higher prevalence of mitotic defects, such as multipolar spindles, micronuclei formation and failed cytokinesis. Therefore, although aneuploid cancer cells can overcome SAC inhibition more readily than diploid cells, the proliferation of the resultant aberrant cells is jeopardized. At the molecular level, analysis of spindle proteins identified a specific mitotic kinesin, KIF18A , whose levels were drastically reduced in aneuploid cancer cells. Aneuploid cancer cells were particularly vulnerable to KIF18A depletion, and KIF18A overexpression restored the sensitivity of aneuploid cancer cells to SAC inhibition. In summary, we identified an increased vulnerability of aneuploid cancer cells to SAC inhibition and explored its cellular and molecular underpinnings. Our results reveal a novel synthetic lethal interaction between aneuploidy and the SAC, which may have direct therapeutic relevance for the clinical application of SAC inhibitors.

Abstract Patient-derived xenografts (PDXs) have become a prominent model for studying human cancer in vivo . The underlying assumption is that PDXs faithfully represent the genomic features of primary tumors, retaining their molecular characteristics throughout propagation. However, the genomic stability of PDXs during passaging has not yet been evaluated systematically. Here we monitored the dynamics of copy number alterations (CNAs) in 1,110 PDX samples across 24 cancer types. We found that new CNAs accumulated quickly, such that within four passages an average of 12% of the genome was affected by newly acquired CNAs. Selection for preexisting minor clones was a major contributor to these changes, leading to both gains and losses of CNAs. The rate of CNA acquisition in PDX models was correlated with the extent of both aneuploidy and genetic heterogeneity observed in primary tumors of the same tissue. However, the specific CNAs acquired during PDX passaging differed from those acquired during tumor evolution in patients, suggesting that PDX tumors are subjected to distinct selection pressures compared to those that exist in human hosts. Specifically, several recurrent CNAs observed in primary tumors gradually disappeared in PDXs, indicating that events undergoing positive selection in humans can become dispensable during propagation in mice. Finally, we found that the genomic stability of PDX models also affected their responses to chemotherapy and targeted drugs. Our findings thus highlight the need to couple the timing of PDX molecular characterization to that of drug testing experiments. These results suggest that while PDX models are powerful tools, they should be used with caution.

Abstract Reducing disparities is critical to promote equity of access to precision treatments for all patients with cancer. While socioenvironmental factors are a major driver behind such disparities, biological differences also are likely to contribute. The prioritization of cancer drug targets is foundational for drug discovery, yet whether ancestry-related signals in target discovery pipelines exist has not been systematically explored due to the absence of data at the appropriate scale. Here, we analyzed data from 611 genome-scale CRISPR/Cas9 viability experiments in human cell line models as part of the Cancer Dependency Map to identify ancestry-associated genetic dependencies. Surprisingly, we found that most putative associations between ancestry and dependency arose from artifacts related to germline variants that are present at different frequencies across ancestry groups. In 2-5% of genes profiled in each cellular model, germline variants in sgRNA targeting sequences likely reduced cutting by the CRISPR/Cas9 nuclease. Unfortunately, this bias disproportionately affected cell models derived from individuals of recent African descent because their genomes tended to diverge more from the consensus genome typically used for CRISPR/Cas9 guide design. To help the scientific community begin to resolve this source of bias, we report three complementary methods for ancestry-agnostic CRISPR experiments. This report adds to a growing body of literature describing ways in which ancestry bias impacts cancer research in underappreciated ways.

Clinical outcomes for patients with ovarian and uterine cancers have not improved greatly in the past twenty years. To identify ovarian and uterine cancer vulnerabilities, we analyzed genome-scale CRISPR/ Cas9 loss-of-function screens across 739 human cancer cell lines. We found that many ovarian cancer cell lines overexpress the phosphate importer SLC34A2, which renders them sensitive to loss of the phosphate exporter XPR1. We extensively validated the XPR1 vulnerability in cancer cell lines and found that the XPR1 dependency was retained in vivo. Overexpression of SLC34A2 is frequently observed in tumor samples and is regulated by PAX8 -a transcription factor required for ovarian cancer survival. XPR1 overexpression and copy number amplifications are also frequently observed. Mechanistically, SLC34A2 overexpression and impaired phosphate efflux leads to the accumulation of intracellular phosphate and cell death. We further show that proper localization and phosphate efflux by XPR1 requires a novel binding partner, KIDINS220. Loss of either XPR1 or KIDINS220 results in acidic vacuolar structures which precede cell death. These data point to the XPR1:KIDINS220 complex - and phosphate dysregulation more broadly -as a therapeutic vulnerability in ovarian cancer.

Understanding the functional connectivity between brain regions and its emergent dynamics is a central challenge. Here we present a theory-experiment hybrid approach involving iteration between a minimal computational model and in vivo electrophysiological measurements. Our model not only predicted spontaneous persistent activity (SPA) during Up-Down-State oscillations, but also inactivity (SPI), which has never been reported. These were confirmed in vivo in the membrane potential of neurons, especially from layer 3 of the medial and lateral entorhinal cortices. The data was then used to constrain two free parameters, yielding a unique, experimentally determined model for each neuron. Analytic and computational analysis of the model generated a dozen quantitative predictions about network dynamics, which were all confirmed in vivo to high accuracy. Our technique predicted functional connectivity; e. g. the recurrent excitation is stronger in the medial than lateral entorhinal cortex. This too was confirmed with connectomics data. This technique uncovers how differential cortico-entorhinal dialogue generates SPA and SPI, which could form an energetically efficient working-memory substrate and influence the consolidation of memories during sleep. More broadly, our procedure can reveal the functional connectivity of large networks and a theory of their emergent dynamics.

Cell lines are key tools for preclinical cancer research, but it remains unclear how well they represent patient tumor samples. Identifying cell line models that best represent the features of particular tumor samples, as well as tumor types that lack in vitro model representation, remain important challenges. Gene expression has been shown to provide rich information that can be used to identify tumor subtypes, as well as predict the genetic dependencies and chemical vulnerabilities of cell lines. However, direct comparisons of tumor and cell line transcriptional profiles are complicated by systematic differences, such as the presence of immune and stromal cells in tumor samples and differences in the cancer-type composition of cell line and tumor expression datasets. To address these challenges, we developed an unsupervised alignment method (Celligner) and applied it to integrate several large-scale cell line and tumor RNA-Seq datasets. While our method aligns the majority of cell lines with tumor samples of the same cancer type, it also reveals large differences in tumor/cell line similarity across disease types. Furthermore, Celligner identifies a distinct group of several hundred cell lines from diverse lineages that present a more mesenchymal and undifferentiated transcriptional state and which exhibit distinct chemical and genetic dependencies. This method could thus be used to guide the selection of cell lines that more closely resemble patient tumors and improve the clinical translation of insights gained from cell line models.