In humans, TGFβ signalling is associated with lack of response to immunotherapy in immune-excluded tumours; in mouse models of this immune phenotype, robust tumour infiltration by T cells and tumour regression are observed only when checkpoint inhibition is combined with inhibition of TGFβ signalling. Immune checkpoint blockade is showing clinical promise in the treatment of several cancer types, but the determinants of response need to be better established. Sanjeev Mariathasan and colleagues show that specific immune cell phenotypes and a high neoantigen burden are predictors of good responses to therapy with atezolizumab, an anti-PD-L1 agent, in patients with metastatic urothelial carcinoma. Lack of response to therapy is associated with increased TGFβ signalling in fibroblasts in the tumour microenvironment. Combining TGFβ blockade with immune checkpoint blockade in mouse models increases the anti-tumour efficacy of the therapy, suggesting that identifying and targeting microenvironmental regulators of anti-tumour immunity may increase the reach of immunotherapy approaches. Therapeutic antibodies that block the programmed death-1 (PD-1)–programmed death-ligand 1 (PD-L1) pathway can induce robust and durable responses in patients with various cancers, including metastatic urothelial cancer1,2,3,4,5. However, these responses only occur in a subset of patients. Elucidating the determinants of response and resistance is key to improving outcomes and developing new treatment strategies. Here we examined tumours from a large cohort of patients with metastatic urothelial cancer who were treated with an anti-PD-L1 agent (atezolizumab) and identified major determinants of clinical outcome. Response to treatment was associated with CD8+ T-effector cell phenotype and, to an even greater extent, high neoantigen or tumour mutation burden. Lack of response was associated with a signature of transforming growth factor β (TGFβ) signalling in fibroblasts. This occurred particularly in patients with tumours, which showed exclusion of CD8+ T cells from the tumour parenchyma that were instead found in the fibroblast- and collagen-rich peritumoural stroma; a common phenotype among patients with metastatic urothelial cancer. Using a mouse model that recapitulates this immune-excluded phenotype, we found that therapeutic co-administration of TGFβ-blocking and anti-PD-L1 antibodies reduced TGFβ signalling in stromal cells, facilitated T-cell penetration into the centre of tumours, and provoked vigorous anti-tumour immunity and tumour regression. Integration of these three independent biological features provides the best basis for understanding patient outcome in this setting and suggests that TGFβ shapes the tumour microenvironment to restrain anti-tumour immunity by restricting T-cell infiltration.

We describe results from IMmotion150, a randomized phase 2 study of atezolizumab (anti-PD-L1) alone or combined with bevacizumab (anti-VEGF) versus sunitinib in 305 patients with treatment-naive metastatic renal cell carcinoma. Co-primary endpoints were progression-free survival (PFS) in intent-to-treat and PD-L1+ populations. Intent-to-treat PFS hazard ratios for atezolizumab + bevacizumab or atezolizumab monotherapy versus sunitinib were 1.0 (95% confidence interval (CI), 0.69–1.45) and 1.19 (95% CI, 0.82–1.71), respectively; PD-L1+ PFS hazard ratios were 0.64 (95% CI, 0.38–1.08) and 1.03 (95% CI, 0.63–1.67), respectively. Exploratory biomarker analyses indicated that tumor mutation and neoantigen burden were not associated with PFS. Angiogenesis, T-effector/IFN-γ response, and myeloid inflammatory gene expression signatures were strongly and differentially associated with PFS within and across the treatments. These molecular profiles suggest that prediction of outcomes with anti-VEGF and immunotherapy may be possible and offer mechanistic insights into how blocking VEGF may overcome resistance to immune checkpoint blockade. An exploratory randomized controlled clinical trial of renal cell carcinoma identifies molecular patterns distinguishing responders to immune checkpoint blockade alone or combined with angiogenesis inhibitor versus angiogenesis inhibitor alone.

It is now established that the transcription factors E2A, EBF1 and Foxo1 have critical roles in B cell development. Here we show that E2A and EBF1 bound regulatory elements present in the Foxo1 locus. E2A and EBF1, as well as E2A and Foxo1, in turn, were wired together by a vast spectrum of cis-regulatory sequences. These associations were dynamic during developmental progression. Occupancy by the E2A isoform E47 directly resulted in greater abundance, as well as a pattern of monomethylation of histone H3 at lysine 4 (H3K4) across putative enhancer regions. Finally, we divided the pro-B cell epigenome into clusters of loci with occupancy by E2A, EBF and Foxo1. From this analysis we constructed a global network consisting of transcriptional regulators, signaling and survival factors that we propose orchestrates B cell fate.

Abstract Antigen presentation on MHC class I (MHC-I) is key to the adaptive immune response to cancerous cells. Computational prediction of peptide presentation by MHC-I has enabled individualized cancer immunotherapies. Here, we introduce HLApollo, a transformer-based approach with end-to-end modeling of MHC-I sequence, deconvolution, and flanking sequences. To achieve this, we develop a novel training strategy, negative set switching, which greatly reduces overfitting to falsely presumed negatives that are necessarily found in presentation datasets. HLApollo shows a meaningful improvement compared to recent MHC-I models on peptide presentation (20.19% average precision (AP)) and immunogenicity (4.1% AP). As expected, adding gene expression boosts the performance of HLApollo. More interestingly, we show that introduction of features from a protein language model, ESM 1b, remarkably recoups much of the benefits of gene expression in absence of true expression measurements. Finally, we demonstrate excellent pan-allelic generalization, and introduce a framework for estimating the expected accuracy of HLApollo for untrained alleles. This guides the use of HLApollo in a clinical setting, where rare alleles may be observed in some subjects, particularly for underrepresented minorities.

Abstract Antigen presentation on MHC Class II (pMHCII presentation) plays an essential role in the adaptive immune response to extracellular pathogens and cancerous cells. But it can also reduce the efficacy of large-molecule drugs by triggering an anti-drug response. Significant progress has been made in pMHCII presentation modeling due to the collection of large-scale pMHC mass spectrometry datasets (ligandomes) and advances in deep machine learning. Here, we develop graph-pMHC, a graph neural network approach to predict pMHCII presentation. We derive adjacency matrices for pMHCII using Alphafold2-multimer, and address the peptide-MHC binding groove alignment problem with a simple graph enumeration strategy. We demonstrate that graph-pMHC dramatically outperforms methods with suboptimal inductive biases, such as the multilayer-perceptron-based NetMHCIIan-4.0 (+22.84% average precision). Finally, we create an antibody drug immunogenicity dataset from clinical trial data, and develop a method for measuring anti-antibody immunogenicity risk using pMHCII presentation models. In comparison with BioPhi’s Sapiens score, a deep learning based measure of the humanness of an antibody drug, our strategy achieves a 7.14% ROC AUC improvement in predicting antibody drug immunogenicity.

Immunogenetic variation in humans is important in research, clinical diagnosis and increasingly a target for therapeutic intervention. Two highly polymorphic loci play critical roles, namely the human leukocyte antigen (HLA) system, which is the human version of the major histocompatibility complex (MHC), and the Killer-cell immunoglobulin-like receptors (KIR) that are relevant for responses of Natural Killer (NK) cells and some subsets of T cells. Their accurate classification has typically required the use of dedicated biological specimens and a combination of in vitro and in silico efforts. Increased availability of next generation sequencing data has led to the development of ancillary computational solutions. Here, we report an evaluation of recently published algorithms to computationally infer complex immunogenetic variation in the form of HLA alleles and KIR haplotypes from whole-genome or whole-exome sequencing data. For both HLA allele and KIR gene typing, we identified tools that yielded >97% overall accuracy for 4-digit HLA types, and >99% overall accuracy for KIR gene presence, suggesting the readiness of in silico solutions for use in clinical and high-throughput research settings.

Profound loss of DNA methylation is a well-recognized hallmark of cancer. Given its role in silencing transposable elements (TEs), we hypothesized that extensive TE expression occurs in tumors with highly demethylated DNA. We developed REdiscoverTE, a computational method for quantifying genome-wide TE expression in RNA sequencing data. Using The Cancer Genome Atlas database, we observed increased expression of over 400 TE subfamilies, of which 262 appeared to result from a proximal loss of DNA methylation. The most recurrent TEs were among the evolutionarily youngest in the genome, predominantly expressed from intergenic loci, and associated with antiviral or DNA damage responses. Treatment of glioblastoma cells with a demethylation agent resulted in both increased TE expression and de novo presentation of TE-derived peptides on MHC class I molecules. Therapeutic reactivation of tumor-specific TEs may synergize with immunotherapy by inducing both inflammation and the display of potentially immunogenic neoantigens.