Large panels of comprehensively characterized human cancer models, including the Cancer Cell Line Encyclopedia (CCLE), have provided a rigorous framework with which to study genetic variants, candidate targets, and small-molecule and biological therapeutics and to identify new marker-driven cancer dependencies. To improve our understanding of the molecular features that contribute to cancer phenotypes, including drug responses, here we have expanded the characterizations of cancer cell lines to include genetic, RNA splicing, DNA methylation, histone H3 modification, microRNA expression and reverse-phase protein array data for 1,072 cell lines from individuals of various lineages and ethnicities. Integration of these data with functional characterizations such as drug-sensitivity, short hairpin RNA knockdown and CRISPR–Cas9 knockout data reveals potential targets for cancer drugs and associated biomarkers. Together, this dataset and an accompanying public data portal provide a resource for the acceleration of cancer research using model cancer cell lines. The original Cancer Cell Line Encyclopedia (CCLE) is expanded with deeper characterization of over 1,000 cell lines, including genomic, transcriptomic, and proteomic data, and integration with drug-sensitivity and gene-dependency data.

Elucidation of the mutational landscape of human cancer has progressed rapidly and been accompanied by the development of therapeutics targeting mutant oncogenes. However, a comprehensive mapping of cancer dependencies has lagged behind and the discovery of therapeutic targets for counteracting tumor suppressor gene loss is needed. To identify vulnerabilities relevant to specific cancer subtypes, we conducted a large-scale RNAi screen in which viability effects of mRNA knockdown were assessed for 7,837 genes using an average of 20 shRNAs per gene in 398 cancer cell lines. We describe findings of this screen, outlining the classes of cancer dependency genes and their relationships to genetic, expression, and lineage features. In addition, we describe robust gene-interaction networks recapitulating both protein complexes and functional cooperation among complexes and pathways. This dataset along with a web portal is provided to the community to assist in the discovery and translation of new therapeutic approaches for cancer.

5-Methylthioadenosine phosphorylase (MTAP) is a key enzyme in the methionine salvage pathway. The MTAP gene is frequently deleted in human cancers because of its chromosomal proximity to the tumor suppressor gene CDKN2A. By interrogating data from a large-scale short hairpin RNA-mediated screen across 390 cancer cell line models, we found that the viability of MTAP-deficient cancer cells is impaired by depletion of the protein arginine methyltransferase PRMT5. MTAP-deleted cells accumulate the metabolite methylthioadenosine (MTA), which we found to inhibit PRMT5 methyltransferase activity. Deletion of MTAP in MTAP-proficient cells rendered them sensitive to PRMT5 depletion. Conversely, reconstitution of MTAP in an MTAP-deficient cell line rescued PRMT5 dependence. Thus, MTA accumulation in MTAP-deleted cancers creates a hypomorphic PRMT5 state that is selectively sensitized toward further PRMT5 inhibition. Inhibitors of PRMT5 that leverage this dysregulated metabolic state merit further investigation as a potential therapy for MTAP/CDKN2A-deleted tumors.

Abstract CRISPR/Cas9 has emerged as a powerful new tool to systematically probe gene function. We compared the performance of CRISPR to RNAi-based loss-of-function screens for the identification of cancer dependencies across multiple cancer cell lines. CRISPR dropout screens consistently identified more lethal genes than RNAi, implying that the identification of many cellular dependencies may require full gene inactivation. However, in two aneuploid cancer models, we found that all genes within highly amplified regions, including nonexpressed genes, scored as lethal by CRISPR, revealing an unanticipated class of false-positive hits. In addition, using a CRISPR tiling screen, we found that sgRNAs targeting essential domains generate the strongest lethality phenotypes and thus provide a strategy to rapidly define the protein domains required for cancer dependence. Collectively, these findings not only demonstrate the utility of CRISPR screens in the identification of cancer-essential genes, but also reveal the need to carefully control for false-positive results in chromosomally unstable cancer lines. Significance: We show in this study that CRISPR-based screens have a significantly lower false-negative rate compared with RNAi-based screens, but have specific liabilities particularly in the interrogation of regions of genome amplification. Therefore, this study provides critical insights for applying CRISPR-based screens toward the systematic identification of new cancer targets. Cancer Discov; 6(8); 900–13. ©2016 AACR. See related commentary by Sheel and Xue, p. 824. See related article by Aguirre et al., p. 914. This article is highlighted in the In This Issue feature, p. 803

Abstract Droplet-based single-cell omics, including single-cell RNA sequencing (scRNAseq), single-cell CRISPR perturbations (e.g., CROP-seq), and single-cell protein and transcriptomic profiling (CITE-seq) hold great promise for comprehensive cell profiling and genetic screening at the single-cell resolution. However, these technologies suffer from substantial noise, among which ambient signals present in the cell suspension may be the predominant source. Current models to address this issue are highly technology-specific and relatively scRNAseq-centric. while a universal model to describe the noise across these technologies may reveal this common source, improving the denoising accuracy. To this end, we explicitly examined these unexpected signals in multiple datasets across droplet-based technologies, summarised a predictable pattern, and developed single-cell Ambient Remover (scAR) – a hypothesis-driven machine learning model to predict and remove ambient signals (including mRNA counts, protein counts, and sgRNA counts) at the molecular level. We benchmarked scAR on three technologies – single-cell CRISPR screens, CITE-seq, and scRNAseq along with the state-of-the-art single-technology-specific approaches. scAR showed high denoising accuracy for each type of dataset.

Abstract Recent development of novel methods based on deep neural networks has transformed how high-content microscopy cellular images are analyzed. Nonetheless, it is still a challenge to identify cellular phenotypic changes caused by chemical or genetic treatments and to elucidate the relationships among treatments in an unsupervised manner, due to the large data volume, high phenotypic complexity and the presence of a priori unknown phenotypes. Here we benchmarked five deep neural network methods and two feature engineering methods on a well-characterized public data set. In contrast to previous benchmarking efforts, the manual annotations were not provided to the methods, but rather used as evaluation criteria afterwards. The seven methods individually performed feature extraction or representation learning from cellular images, and were consistently evaluated for downstream phenotype prediction and clustering tasks. We identified the strengths of individual methods across evaluation metrics, and further examined the biological concepts of features automatically learned by deep neural networks.

Large collections of immortalized cancer cell lines have been widely used as model systems for cancer research and drug discovery. Some of these models however display more fibroblast-like than cancer-like characteristics based on their genetic and genomic characterization. The correct annotation of these cell lines remains a challenge. Here, we report the outcome of our analysis on a large cancer cell line collection, where we found a subset of cell lines misclassified.

Abstract Background Systematic perturbation screens provide comprehensive resources for the elucidation of cancer driver genes, including rarely mutated genes that are missed by approaches focused on frequently mutated genes and driver genes for which the basis for oncogenicity is non-genetic. The perturbation of many genes in relatively few cell lines in such functional screens necessitates the development of specialized computational tools with sufficient statistical power. Results Here we developed APSiC ( A nalysis of P erturbation S creens for i dentifying novel C ancer genes) that can identify genetic and non-genetic drivers even with a limited number of samples. Applying APSiC to the large-scale deep shRNA screen Project DRIVE, APSiC identified well-known, pan-cancer genetic drivers, novel putative genetic drivers known to be dysregulated in specific cancer types and the context dependency of mRNA-splicing between cancer types. Additionally, APSiC discovered a median of 28 and 35 putative non-genetic oncogenes and tumor suppressor genes, respectively, for individual cancer types, including genes involved in genome stability maintenance and cell cycle. We functionally demonstrated that LRRC4B , a putative non-genetic tumor suppressor gene that has not previously been associated with carcinogenesis, suppresses proliferation by delaying cell cycle and modulates apoptosis in breast cancer. Conclusion We demonstrate APSiC is a robust statistical framework for discovery of novel cancer genes through analysis of large-scale perturbation screens. The analysis of DRIVE using APSiC is provided as a web portal and represents a valuable resource for the discovery of novel cancer genes.

Abstract MYCN oncogene amplification is frequently observed in aggressive childhood neuroblastoma. Using an unbiased large-scale mutagenesis screen in neuroblastoma-prone transgenic mice, we identify a single germline point mutation in the transcriptional corepressor Runx1t1, which abolishes MYCN-driven tumorigenesis. This loss-of-function mutation disrupts a highly conserved zinc finger domain within Runx1t1. Deletion of one Runx1t1 allele in an independent Runx1t1 knockout mouse model is also sufficient to prevent MYCN-driven neuroblastoma development, and reverse ganglia hyperplasia, a known pre-requisite for tumorigenesis. Silencing RUNX1T1 in human neuroblastoma cells decreases colony formation in vitro, and inhibits tumor growth in vivo. Moreover, RUNX1T1 knockdown inhibits the viability of PAX3-FOXO1 fusion-driven rhabdomyosarcoma and MYC-driven small cell lung cancer cells. Despite the role of Runx1t1 in MYCN-driven tumorigenesis neither gene directly regulates the other. We show RUNX1T1 forms part of a transcriptional LSD1-CoREST3-HDAC repressive complex recruited by HAND2 to enhancer regions to regulate chromatin accessibility and cell-fate pathway genes.

Abstract Alternative splicing is critical for human gene expression regulation and plays an important role in multiple human diseases. In this context, RNA sequencing has emerged as powerful approach to detect alternative splicing events. In parallel, fast alignment-free methods have emerged as a viable alternative to quantify gene and transcript level abundance from RNAseq data. However, the ability to detect differential splicing events is dependent on the annotation of the transcript reference provided by the user. Here, we introduce a new reference transcriptome aware of splicing events, TRAWLING, which simplifies the detection of aberrant splicing events in a fast and simple way. In addition, we evaluate the performances and the benefits of aligning transcriptome data to TRAWLING using three different RNA sequencing datasets: whole transcriptome sequencing, single cell RNA sequencing and Digital RNA with pertUrbation of Genes. Collectively, our comprehensive evaluation underlines the value of using TRAWLING in transcriptomic data analysis. Availability and implementation Our code is available at https://github.com/Novartis/TRAWLING