SUMMARY The Columbia Cancer Target Discovery and Development (CTD 2 ) Center has developed PANACEA (PANcancer Analysis of Chemical Entity Activity), a collection of dose-response curves and perturbational profiles for 400 clinical oncology drugs in cell lines selected to optimally represent 19 cancer subtypes. This resource, developed to study tumor-specific drug mechanism of action, was instrumental in hosting a DREAM Challenge to assess computational models for de novo drug polypharmacology prediction. Dose-response and perturbational profiles for 32 kinase inhibitors were provided to 21 participating teams, who did not know the identity or nature of the compounds, and they were asked to predict high-affinity binding among ~1,300 possible protein targets. Best performing methods leveraged both gene expression profile similarity analysis, and deep-learning methodologies trained on individual datasets. This study lays the foundation for future integrative analyses of pharmacogenomic data, reconciliation of polypharmacology effects in different tumor contexts, and insights into network-based assessment of context-specific drug mechanism of action.

Abstract At present, prioritizing cancer treatments at the individual patient level remains challenging, and performing co-clinical studies using patient-derived models in real-time is often not feasible. To circumvent these challenges, we introduce OncoLoop, a precision medicine framework to predict and validate drug sensitivity in human tumors and their pre-existing high-fidelity ( cognate ) model(s) by leveraging perturbational profiles of clinically-relevant oncology drugs. As proof-of-concept, we applied OncoLoop to prostate cancer (PCa) using a series of genetically-engineered mouse models (GEMMs) that recapitulate a broad spectrum of disease states, including castration-resistant, metastatic, and neuroendocrine prostate cancer. Interrogation of published cohorts using Master Regulator (MR) conservation analysis revealed that most patients were represented by at least one cognate GEMM-derived tumor (GEMM-DT). Drugs predicted to invert MR activity in patients and their cognate GEMM-DTs were successfully validated, including in two cognate allografts and one cognate patient-derived xenograft (PDX). OncoLoop is a highly generalizable framework that can be extended to other cancers and potentially other diseases. Significance Statement OncoLoop is a transcriptomic-based experimental and computational framework that can support rapid-turnaround co-clinical studies to identify and validate drugs for individual patients, which can then be readily adapted to clinical practice. This framework should be applicable in many cancer contexts for which appropriate models and drug perturbation data are available.

Abstract The Mechanism of Action (MoA) of a drug is generally represented as a small, non-tissue-specific repertoire of high-affinity binding targets. Yet, drug activity and polypharmacology are increasingly associated with a broad range of off-target and tissue-specific effector proteins. To address this challenge, we have implemented an efficient integrative experimental and computational framework leveraging the systematic generation and analysis of drug perturbational profiles representing >700 FDA-approved and experimental oncology drugs, in cell lines selected as high-fidelity models of 23 aggressive tumor subtypes. Protein activity-based analyses revealed highly reproducible, drug-mediated modulation of tissue-specific targets, leading to generation of a proteome-wide polypharmacology map, characterization of MoA-related drug clusters and off-target effects, and identification and experimental validation of novel, tissue-specific inhibitors of undruggable oncoproteins. The proposed framework, which is easily extended to elucidating the MoA of novel small-molecule libraries, could help support more systematic and quantitative approaches to precision oncology.