ABSTRACT Molecular characterization of a biological sample, e.g., with omics approaches, is fundamental for the development and implementation of personalized and precision medicine approaches. In this context, quality assessment is one of the most critical aspects. Accurate performance and interpretation of omics techniques is based on consensus, harmonization, and standardization of protocols, procedures, data analysis and reference values and materials. EATRIS, the European Infrastructure for Translational Medicine ( www.EATRIS.eu ), brings together resources and services to support researchers in developing their biomedical discoveries into novel translational tools and interventions for better health outcomes. Here we describe activities of member facilities of EATRIS towards quality assessment of pre-clinical sample processing, clinical omics data generation, multi-omics data integration, and dissemination of the resources in a Multi-Omics Toolbox, the principal deliverable of the EATRIS Plus project for the consolidation of EATRIS towards translational Medicine.

Abstract As an indispensable tool for transcriptome-wide analysis of differential gene expression, RNA sequencing (RNAseq) has demonstrated great potential in clinical applications. However, the lack of multi-group RNA reference materials of biological relevance and the corresponding reference datasets for assessing the reliability of RNAseq hampers its wide clinical applications wherein the underlying biological differences among study groups are often small. As part of the Quartet Project for quality control and data integration of multiomic profiling, we established four RNA reference materials derived from immortalized B-lymphoblastoid cell lines from four members of a monozygotic twin family. Additionally, we constructed ratio-based transcriptome-wide reference datasets using multi-batch RNAseq datasets, providing “ground truth” for benchmarking. Moreover, Quartet-sample-based quality metrics were developed for assessing reliability of RNAseq technology in terms of intra-batch proficiency and cross-batch reproducibility. The small intrinsic biological differences among the Quartet samples enable sensitive assessment of performance of transcriptomic measurements. The Quartet RNA reference materials combined with the reference datasets can be served as unique resources for assessing data quality and improving reliability of transcriptomic profiling.

Abstract The extensive primary and secondary drug resistance in acute myeloid leukemia (AML) requires rational approaches to design personalized combinatorial treatments that exploit patient-specific therapeutic vulnerabilities to optimally target disease-driving AML cell subpopulations. However, the large number of AML-relevant drug combinations makes the testing impossible in scarce primary patient cells. This combinatorial problem is further exacerbated by the translational challenge of how to design such personalized and selective drug combinations that do not only show synergistic effect in overall AML cell killing but also result in minimal toxic side effects on non-malignant cells. To solve these challenges, we implemented a systematic computational-experimental approach for identifying potential drug combinations that have a desired synergy-efficacy-toxicity balance. Our mechanism-agnostic approach combines single-cell RNA-sequencing (scRNA-seq) with ex vivo single-agent viability testing in primary patient cells. The data integration and predictive modelling are carried out at a single-cell resolution by means of a machine learning model that makes use of compound-target interaction networks to narrow down the massive search space of potentially effective drug combinations. When applied to two diagnostic and two refractory AML patient cases, each having a different genetic background, our integrated approach predicted a number of patient-specific combinations that were shown to result not only in synergistic cancer cell inhibition but were also capable of targeting specific AML cell subpopulations that emerge in differing stages of disease pathogenesis or treatment regimens. Overall, 53% of the 59 predicted combinations were experimentally confirmed to show synergy, and 83% were non-antagonistic, as validated with viability assays, which is a significant improvement over the success rate of randomly guessing a synergistic drug combination (5%). Importantly, 67% of the predicted combinations showed low toxicity to non-malignant cells, as validated with flow-based population assays, suggesting their selective killing of AML cell populations. Our data-driven approach provides an unbiased means for systematic prioritization of patient-specific drug combinations that selectively inhibit AML cells and avoid co-inhibition of non-malignant cells, thereby increasing their likelihood for clinical translation. The approach uses only a limited number of patient primary cells, and it is widely applicable to hematological cancers that are accessible for scRNA-seq profiling and ex vivo compound testing.

Abstract Background Transcriptomic and proteomic profiling of human brain tissue is hindered by availability of fresh samples from living patients. Postmortem samples usually represent the advanced disease stage of the patient. Furthermore, the postmortem interval affects the observed transcriptomic and proteomic profiles. Therefore, access to fresh brain tissue samples from living patients is valuable resource to obtain information on metabolically intact tissue. The implantation of deep brain stimulation (DBS) electrodes into the human brain is a neurosurgical treatment for, e.g., movement disorders. Here, we describe an improved approach to collect brain tissue from surgical instruments used in implantation of DBS device for transcriptomics and proteomics analyses. Methods Samples were extracted from guide tubes and recording electrodes used in routine DBS implantation procedure that was carried out to treat patients with Parkinson’s disease, genetic dystonia and tremor. RNA sequencing was carried out to tissue extracted from the recording microelectrodes and liquid chromatography-mass spectrometry was carried out to analyze tissue from guide tubes. To assess the performance of the current approach, obtained datasets were compared with previously published datasets representing brain tissue. Results In RNA sequencing, altogether 32,034 transcripts representing unique Ensembl gene identifiers were detected from eight samples representing both hemispheres of four patients. By using liquid chromatography-mass spectrometry, we identified 734 unique proteins from 31 samples collected from 14 patients. Comparison with previously published brain derived data indicated that both of our datasets reflected the expected brain tissue specific features. The datasets are available via BioStudies database (accession number S-BSST667). Conclusions Surgical instruments used in DBS installation retain enough brain material for protein and gene expression studies. Analysis of the datasets indicated that hemisphere-specific expression data can be obtained from individual patients without any sample pooling and without any modifications to the standard surgical protocol. Comparison with previously published datasets obtained with similar approach proved the robustness and reproducibility of the current improved protocol. This approach overcomes the issues that arise from using postmortem tissue, such as effect of postmortem interval, on proteomic and transcriptomic landscape of the brain and can be used for studying molecular aspects of DBS-treatable diseases.