Extracellular vesicles (EVs) of various types are released or shed from all cells. EVs carry proteins and contain additional protein and nucleic acid cargo that relates to their biogenesis and cell of origin. EV cargo in liquid biopsies is of widespread interest owing to its ability to provide a retrospective snapshot of cell state at the time of EV release. For the purposes of EV cargo analysis and repertoire profiling, multiplex assays are an essential tool in multiparametric analyte studies but are still being developed for high-parameter EV protein detection. Although bead-based EV multiplex analyses offer EV profiling capabilities with conventional flow cytometers, the utilization of EV multiplex assays has been limited by the lack of software analysis tools for such assays. To facilitate robust EV repertoire studies, we developed multiplex analysis post-acquisition analysis (MPAPASS) open-source software for stitched multiplex analysis, EV database-compatible reporting, and visualization of EV repertoires.

SUMMARY Most carcinomas have characteristic chromosomal aneuploidies specific to the tissue of tumor origin. The reason for this specificity is unknown. As aneuploidies directly affect gene expression, we hypothesized that cancer-type specific aneuploidies, which emerge at early stages of tumor evolution, confer adaptive advantages to the physiological requirements of the tissue of origin. To test this hypothesis, we compared chromosomal aneuploidies reported in the TCGA database to chromosome arm-wide gene expression levels of normal tissues from the GTEx database. We find that cancer-type specific chromosomal aneuploidies mirror differential gene expression levels specific to the respective normal tissues which cannot be explained by copy number alterations of resident cancer driver genes. We propose that cancer-type specific aneuploidies “hard-wire” chromosome arm-wide gene expression levels present in normal tissues, favoring clonal expansion and tumorigenesis. One sentence summary The clonal evolution of cancer is initiated by tissue-specific transcriptional requirements

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 The study of the tumor microbiome has been garnering increased attention. We developed a computational pipeline (CSI-Microbes) for identifying microbial reads from single-cell RNA sequencing (scRNA-seq) data. Using a series of controlled experiments and analyses, we performed the first systematic evaluation of the efficacy of recovering microbial UMIs by multiple scRNA-seq technologies, which identified the newer 10x chemistries (3’ v3 and 5’) as the best suited approach. Based on these findings, we analyzed patient esophageal and colorectal carcinomas and found that reads from distinct genera tend to co-occur in the same host cells, testifying to possible intracellular polymicrobial interactions. Microbial reads are disproportionately abundant within myeloid cells that upregulate proinflammatory cytokines like IL1Β and CXCL8 and downregulate antigen processing and presentation (APP) pathways. The latter, however, are markedly upregulated in infected tumor cells. These results testify that intracellular bacteria predominately reside within co-opted myeloid cells, which inflame the tumor microenvironment and may influence immunotherapy response.

Abstract The identification and quantification of microbial abundance at the species or strain level from sequencing data is crucial for our understanding of human health and disease. Existing approaches for microbial abundance estimation either use accurate but computationally expensive alignment-based approaches for species-level estimation or less accurate but computationally fast alignment-free approaches that fail to classify many reads accurately at the species or strain-level. Here we introduce CAMMiQ , a novel combinatorial solution to the microbial identification and abundance estimation problem, which performs better than the best used tools on simulated and real datasets with respect to the number of correctly classified reads (i.e., specificity) by an order of magnitude and resolves possible mixtures of similar genomes. As we demonstrate, CAMMiQ can better distinguish between single cells deliberately infected with distinct Salmonella strains and sequenced using scRNA-seq reads than alternative approaches. We also demonstrate that CAMMiQ is also more accurate than the best used approaches on a variety of synthetic genomic read data involving some of the most challenging bacterial genomes derived from NCBI RefSeq database; it can distinguish not only distinct species but also closely related strains of bacteria. The key methodological innovation of CAMMiQ is its use of arbitrary length, doubly-unique substrings, i.e. substrings that appear in (exactly) two genomes in the input database, instead of fixed-length, unique substrings. To resolve the ambiguity in the genomic origin of doubly-unique substrings, CAMMiQ employs a combinatorial optimization formulation, which can be solved surprisingly quickly. CAMMiQ ’s index consists of a sparsified subset of the shortest unique and doubly-unique substrings of each genome in the database, within a user specified length range and as such it is fairly compact. In short, CAMMiQ offers more accurate genomic identification and abundance estimation than the best used alternatives while using similar computational resources. Availability https://github.com/algo-cancer/CAMMiQ

Despite the revolutionary impact of immune checkpoint blockade (ICB) in cancer treatment, accurately predicting patient responses remains challenging. Here, we analyzed a large dataset of 2,881 ICB-treated and 841 non-ICB-treated patients across 18 solid tumor types, encompassing a wide range of clinical, pathologic and genomic features. We developed a clinical score called LORIS (logistic regression-based immunotherapy-response score) using a six-feature logistic regression model. LORIS outperforms previous signatures in predicting ICB response and identifying responsive patients even with low tumor mutational burden or programmed cell death 1 ligand 1 expression. LORIS consistently predicts patient objective response and short-term and long-term survival across most cancer types. Moreover, LORIS showcases a near-monotonic relationship with ICB response probability and patient survival, enabling precise patient stratification. As an accurate, interpretable method using a few readily measurable features, LORIS may help improve clinical decision-making in precision medicine to maximize patient benefit. LORIS is available as an online tool at https://loris.ccr.cancer.gov/ . Chang et al. performed a pan-cancer multimodal data integration analysis and devised a model, LORIS, that can predict objective responses to immunotherapy and patient survival across many cancer types and allow for patient stratification.

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.

ABSTRACT Background Chronic inflammation and chromosome aneuploidy are major traits of primary liver cancer (PLC), which represent the second most common cause of cancer related death worldwide. Increased cancer fitness and aggressiveness of PLC may be achieved by enhancing tumoral genomic complexity that alters tumor biology. Method Here, we developed a scoring method, namely functional genomic complexity (FGC), to determine the degree of molecular heterogeneity among 580 liver tumors with diverse ethnicities and etiologies by assessing integrated genomic and transcriptomic data. Results We found that tumors with higher FGC scores are associated with chromosome instability and TP53 mutations, and a worse prognosis, while tumors with lower FGC scores have elevated infiltrating lymphocytes and a better prognosis. These results indicate that FGC scores may serve as a surrogate to define genomic heterogeneity of PLC linked to chromosomal instability and evasion of immune surveillance. Conclusion Our findings demonstrate an ability to define genomic heterogeneity and corresponding tumor biology of liver cancer based only on bulk genomic and transcriptomic data. Our data also provide a rationale for applying this approach to survey liver tumor immunity and to stratify patients for immune-based therapy. STATEMENT OF SIGNIFICANCE Genomic heterogeneity contributes to therapeutic failure and poor outcome in patients with liver cancer and poses a challenge in defining targeted therapy. Our findings demonstrate an ability to define genomic heterogeneity and corresponding tumor biology of liver cancer based only on bulk genomic and transcriptomic data. Our data also provide a rationale for applying this approach to survey liver tumor immunity and to stratify patients for immune-based therapy. \body

SUMMARY Various studies have shown that high tumor mutation burden (TMB) may predict response to immune checkpoint therapy, at least in some cancer types 1,2 . However, identifying patients with low TMB that are still likely to respond to cancer immunotherapy is an important open challenge. Recently, Spurr et al. 3 reported that the tumor aneuploidy score (AS), defined as the fraction of chromosome arms with arm-level copy number alterations in a sample, is predictive of survival following immunotherapy in low-TMB patients across multiple cancers. By re-analyzing the same data set by performing survival analysis in individual cancer types separately, we find that AS only significantly predicts survival in one single cancer indication. We further find that another metric conceptually related to the AS, the fraction of genome encompassed by copy number alterations (FGA) , if called with a conventional copy number calling cutoff, has stronger predictive power than the AS proposed in 3 , and that this observation holds even if the FGA and AS thresholds for presence/absence of copy number events are set comparably. However, with the current available data, even FGA can predict survival following immunotherapy in only a few cancer indications.