Abstract Tremendous progress has been made to control the COVID-19 pandemic caused by the SARS-CoV-2 virus. However, effective therapeutic options are still rare. Drug repurposing and combination represent practical strategies to address this urgent unmet medical need. Viruses, including coronaviruses, are known to hijack host metabolism to facilitate viral proliferation, making targeting host metabolism a promising antiviral approach. Here, we describe an integrated analysis of 12 published in vitro and human patient gene expression datasets on SARS-CoV-2 infection using genome-scale metabolic modeling (GEM), revealing complicated host metabolism reprogramming during SARS-CoV-2 infection. We next applied the GEM-based metabolic transformation algorithm to predict anti-SARS-CoV-2 targets that counteract the virus-induced metabolic changes. We successfully validated these targets using published drug and genetic screen data and by performing an siRNA assay in Caco-2 cells. Further generating and analyzing RNA-sequencing data of remdesivir-treated Vero E6 cell samples, we predicted metabolic targets acting in combination with remdesivir, an approved anti-SARS-CoV-2 drug. Our study provides clinical data-supported candidate anti-SARS-CoV-2 targets for future evaluation, demonstrating host metabolism-targeting as a promising antiviral strategy.

ABSTRACT Advances in artificial intelligence have paved the way for leveraging hematoxylin and eosin (H&E)-stained tumor slides for precision oncology. We present ENLIGHT-DeepPT, an approach for predicting response to multiple targeted and immunotherapies from H&E-slides. In difference from existing approaches that aim to predict treatment response directly from the slides, ENLIGHT-DeepPT is an indirect two-step approach consisting of (1) DeepPT, a new deep-learning framework that predicts genome-wide tumor mRNA expression from slides, and (2) ENLIGHT, which predicts response based on the DeepPT inferred expression values. DeepPT successfully predicts transcriptomics in all 16 TCGA cohorts tested and generalizes well to two independent datasets. Importantly, ENLIGHT-DeepPT successfully predicts true responders in five independent patients’ cohorts involving four different treatments spanning six cancer types with an overall odds ratio of 2.44, increasing the baseline response rate by 43.47% among predicted responders, without the need for any treatment data for training. Furthermore, its prediction accuracy on these datasets is comparable to a supervised approach predicting the response directly from the images, trained and tested on the same cohort in cross validation. Its future application could provide clinicians with rapid treatment recommendations to an array of different therapies and importantly, may contribute to advancing precision oncology in developing countries. Statement of Significance ENLIGHT-DeepPT is the first approach shown to successfully predict response to multiple targeted and immune cancer therapies from H&E slides. In distinction from all previous H&E slides prediction approaches, it does not require supervised training on a specific cohort for each drug/indication treatment but is trained to predict expression on the TCGA cohort and then can predict response to an array of treatments without any further training. ENLIGHT-DeepPT can provide rapid treatment recommendations to oncologists and help advance precision oncology in underserved regions and low-income countries.

Abstract Influenza A virus (IAV) causes seasonal epidemics and periodic pandemics, resulting in significant morbidity and mortality in the human population. Tethered mucin 1 (MUC1) is highly expressed in airway epithelium, the primary site of IAV replication, and also by other cell types that influence IAV infection, including macrophages. MUC1 has the potential to influence infection dynamics through physical interactions and/or signaling activity, and recent work suggests MUC1 acts as a releasable decoy receptor and anti-inflammatory molecule during IAV infection. Still, the modulation of MUC1 and its impact during viral pathogenesis remains unclear. Thus, we sought to further investigate the interplay between MUC1 and IAV in an in vitro model of primary human airway epithelium (HAE). Our data indicate that a recombinant IAV hemagglutinin (H3) and H3N2 virus can bind endogenous HAE MUC1. We find that infection of HAE cultures with H1N1 or H3N2 IAV strains does not trigger enhanced MUC1 shedding, but instead stimulates an increase in cell-associated MUC1 protein. We observed a similar increase after stimulation with either type I or type III interferon (IFN); however, inhibition of IFN signaling during H1N1 infection only partially abrogated this increase, indicating multiple soluble factors contribute to MUC1 upregulation during the antiviral response. We expanded these findings and demonstrate that in addition to HAE, primary human monocyte-derived macrophages also upregulate MUC1 protein in response to both IFN treatment and conditioned media from IAV-infected HAE cultures. We then developed HAE genetically depleted for MUC1 to determine its impact on IAV pathogenesis, finding that MUC1 knock-out cultures exhibited enhanced viral growth compared to control cultures for several IAV strains. Together, our data support a model whereby MUC1 antagonizes productive uptake of IAV in HAE. Infection then stimulates MUC1 expression on multiple cell types through IFN-dependent and -independent mechanisms that may further impact infection dynamics. Author Summary The mucosal surface of the respiratory epithelium is an important site of first contact for viral respiratory pathogens. Large and heavily glycosylated molecules known as tethered mucins extend from the cell surface and may physically restrict access to underlying cells. Recently, one of these tethered mucins, MUC1, has also been shown to influence cell signaling and inflammation. Still, despite its abundance in the airway and multifunctional capability, the role of MUC1 during influenza virus infection in the human respiratory tract remains unclear. Here, we demonstrate that influenza virus directly interacts with MUC1 in a physiologically-relevant model of human airway epithelium and find that MUC1 protein expression is elevated throughout the epithelium and in primary human monocyte-derived macrophages in response to important antiviral signals produced during infection. Using genetically-modified human airway cultures lacking MUC1, we then provide evidence of more efficient influenza virus infection in the absence of this mucin. Our data suggest that MUC1 not only physically restricts influenza virus uptake, but also represents a dynamic component of the host response that acts to further stem viral spread.

Abstract Background Precision oncology is gradually advancing into mainstream clinical practice, demonstrating significant survival benefits. However, eligibility and response rates remain limited in many cases, calling for better predictive biomarkers. Methods We present ENLIGHT, a transcriptomics-based computational approach that identifies clinically relevant genetic interactions and uses them to predict a patient’s response to a variety of therapies in multiple cancer types, without training on previous treatment response data. We study ENLIGHT in two translationally oriented scenarios: Personalized Oncology (PO) , aimed at prioritizing treatments for a single patient, and Clinical Trial Design (CTD ), selecting the most likely responders in a patient cohort. Findings Evaluating ENLIGHT’s performance on 21 blinded clinical trial datasets in the PO setting, we show that it can effectively predict a patient’s treatment response across multiple therapies and cancer types. Its prediction accuracy is better than previously published transcriptomics-based signatures and is comparable to that of supervised predictors developed for specific indications and drugs. In combination with the IFN-γsignature, ENLIGHT achieves an odds ratio larger than 4 in predicting response to immune checkpoint therapy. In the CTD scenario, ENLIGHT can potentially enhance clinical trial success for immunotherapies and other monoclonal antibodies by excluding non-responders, while overall achieving more than 90% of the response rate attainable under an optimal exclusion strategy. Conclusion ENLIGHT demonstrably enhances the ability to predict therapeutic response across multiple cancer types from the bulk tumor transcriptome. Funding This research was supported in part by the Intramural Research Program, NIH and by the Israeli Innovation Authority.

The immune state of tumor microenvironment is crucial for determining immunotherapy response but is not readily accessible. Here we investigate if we can infer the tumor immune state from the blood and further predict immunotherapy response. First, we analyze a dataset of head and neck squamous cell carcinoma (HNSCC) patients with matched scRNA-Seq of peripheral blood mononuclear cells (PBMCs) and tumor tissues. We find that the tumor immune cell fractions of different immune cell types and many of the genes they express can be inferred from the matched PBMC scRNA-Seq. Second, analyzing another HNSCC dataset with PBMC scRNA-Seq and immunotherapy response, we find that the inferred ratio between tumor memory B and regulatory T cell fractions is predictive of immunotherapy response and is superior to the well-established cytolytic and exhausted T-cell signatures. Overall, these results showcase the potential of scRNA-Seq liquid biopsies in cancer immunotherapy, calling for their larger-scale testing.This head and neck cancer study demonstrates the potential of using blood single-cell transcriptomics to (1) infer the tumor immune status and (2) predict immunotherapy response from the tumor immune status inferred from blood. These results showcase the potential of single-cell transcriptomics liquid biopsies for further advancing personalized cancer immunotherapy.

SUMMARY Metastasis is a leading cause of cancer-related deaths, yet understanding how metastatic tumors adapt from their origin to target tissues is challenging. To address this, we assessed whether primary and metastatic tumors resemble their tissue of origin or target tissue in terms of gene expression. We analyzed gene expression profiles from various cancer types, including single-cell and bulk RNA-seq data, in both paired and unpaired primary and metastatic patient cohorts. We quantified the transcriptomic distances between tumor samples and their normal tissues, revealing that primary tumors are more similar to their tissue of origin, while metastases shift towards the target tissue. Pathway-level analysis highlighted critical transcriptomic changes during metastasis. Notably, primary cancers exhibited higher activity in cancer hallmarks, including Activating Invasion and Metastasis , compared to metastatic cancers. This comprehensive landscape analysis provides insight into how cancer tumors adapt to their metastatic environments, providing a transcriptome-wide view of the processes involved.

Abstract Knowing a drug’s mechanism of action (MOA) is essential for its clinical success by selecting the best indications, likely responders, and combinations. Yet knowledge of many drugs’ MOA remains lacking. Here we present DeepTarget, a computational tool for deep characterization of cancer drugs’ MOA by integrating existing large-scale genetic and drug screens. Spanning ∼1500 drugs across ∼18K possible target genes, DeepTarget predicts: (1) a drug’s primary target(s), (2) whether it specifically targets the wild-type or mutated target forms, and (3) the secondary target(s) that mediate its response when the primary target is not expressed. We first tested and successfully validated DeepTarget in a total of eleven unseen gold-standard datasets, with an average AUC of 0.82, 0.77, and 0.92 for the above three prediction abilities, respectively. We then proceed to use it in a wide range of applications: First, we find that DeepTarget’s predicted specificity of a drug to its target is strongly associated with its success in clinical trials and is higher in its FDA-approved indications. Second, DeepTarget predicts candidate drugs for targeting currently undruggable cancer oncogenes and their mutant forms. Finally, DeepTarget predicts new targets for drugs with unknown MOA and new secondary targets of approved drugs. Taken together, DeepTarget is a new computational framework for accelerating drug prioritization and its target discovery by leveraging large-scale genetic and drug screens.

Precision oncology has made significant advances in the last few years, mainly by targeting actionable mutations in cancer driver genes. However, the proportion of patients whose tumors can be targeted therapeutically remains limited. Recent studies have begun to explore the benefit of analyzing tumor transcriptomics data to guide patient treatment, raising the need for new approaches for systematically accomplishing that. Here we show that computationally derived genetic interactions can successfully predict patient response. Assembling a broad repertoire of 32 datasets spanning more than 1,500 patients and including both tumor transcriptomics and response data, we predicted the response in 17 out of 21 targeted and 8 out of 11 checkpoint therapy datasets across 8 different cancer types with considerable accuracy, without ever training on these datasets. Analyzing the recently published multi-arm WINTHER trial, we show that the fraction of patients benefitting from transcriptomic-based treatments could potentially be markedly increased from 15% to about 85% by targeting synthetic lethal vulnerabilities in their tumors. In summary, this is the first computational approach to obtain considerable predictive performance across many different targeted and immunotherapy datasets, providing a promising new way for guiding cancer treatment based on the tumor transcriptomics of cancer patients.

Abstract Tailoring the best treatments to cancer patients is an important open challenge. Here, we build a precision oncology data science and software framework for PER sonalized single- C ell E xpression-based P lanning for T reatments In On cology (PERCEPTION). Our approach capitalizes on recently published matched bulk and single-cell transcriptome profiles of large-scale cell-line drug screens to build treatment response models from patients’ single-cell (SC) tumor transcriptomics. First, we show that PERCEPTION successfully predicts the response to monotherapy and combination treatments in screens performed in cancer and patient-tumor-derived primary cells based on SC-expression profiles. Second, it successfully stratifies responders to combination therapy based on the patients’ tumor’s SC-expression in two very recent multiple myeloma and breast cancer clinical trials. Thirdly, it captures the development of clinical resistance to five standard tyrosine kinase inhibitors using tumor SC-expression profiles obtained during treatment in a lung cancer patients’ cohort. Notably, PERCEPTION outperforms state-of-the-art bulk expression-based predictors in all three clinical cohorts. In sum, this study provides a first-of-its-kind conceptual and computational method that is predictive of response to therapy in patients, based on the clonal SC gene expression of their tumors.