Abstract Model systems that recapitulate the complexity of human tumors and the reality of variable treatment responses are urgently needed to better understand cancer biology and to develop more effective cancer therapies. Here we report development and characterization of a large bank of patient-derived xenografts (PDX) and matched organoid cultures from tumors that represent some of the greatest unmet needs in breast cancer research and treatment. These include endocrine-resistant, treatment-refractory, and metastatic breast cancers and, in some cases, multiple tumor collections from the same patients. The models can be grown long-term with high fidelity to the original tumors. We show that development of matched PDX and PDX-derived organoid (PDxO) models facilitates high-throughput drug screening that is feasible and cost-effective, while also allowing in vivo validation of results. Our data reveal consistency between drug screening results in organoids and drug responses in breast cancer PDX. Moreover, we demonstrate the feasibility of using these patient-derived models for precision oncology in real time with patient care, using a case of a triple negative breast cancer with early metastatic recurrence as an example. Our results uncovered an FDA-approved drug with high efficacy against the models. Treatment with the PDxO-directed therapy resulted in a complete response for the patient and a progression-free survival period more than three times longer than her previous therapies. This work provides valuable new methods and resources for functional precision medicine and drug development for human breast cancer. Graphical Abstract

Abstract Patient-derived xenografts (PDXs) model human intra-tumoral heterogeneity in the context of the intact tissue of immunocompromised mice. Histological imaging via hematoxylin and eosin (H&E) staining is performed on PDX samples for routine assessment and, in principle, captures the complex interplay between tumor and stromal cells. Deep learning (DL)-based analysis of large human H&E image repositories has extracted inter-cellular and morphological signals correlated with disease phenotype and therapeutic response. Here, we present an extensive, pan-cancer repository of nearly 1,000 PDX and paired human progenitor H&E images. These images, curated from the PDXNet consortium, are associated with genomic and transcriptomic data, clinical metadata, pathological assessment of cell composition, and, in several cases, detailed pathological annotation of tumor, stroma, and necrotic regions. We demonstrate that DL can be applied to these images to classify tumor regions and to predict xenograft-transplant lymphoproliferative disorder, the unintended outgrowth of human lymphocytes at the transplantation site. This repository enables PDX-specific, investigations of cancer biology through histopathological analysis and contributes important model system data that expand on existing human histology repositories. We expect the PDXNet Image Repository to be valuable for controlled digital pathology analysis, both for the evaluation of technical issues such as stain normalization and for development of novel computational methods based on spatial behaviors within cancer tissues.