Glioblastoma heterogeneity and plasticity remain controversial, with proposed subtypes representing the average of highly heterogeneous admixtures of independent transcriptional states. Single-cell, protein-activity-based analysis allowed full quantification of >6,000 regulatory and signaling proteins, thus providing a previously unattainable single-cell characterization level. This helped identify four novel, molecularly distinct subtypes that successfully harmonize across multiple GBM datasets, including previously published bulk and single-cell profiles and single cell profiles from seven orthotopic PDX models, representative of prior subtype diversity. GBM is thus characterized by the plastic coexistence of single cells in two mutually-exclusive developmental lineages, with additional stratification provided by their proliferative potential. Consistently, all previous subtypes could be recapitulated by single-cell mixtures drawn from newly identified states. Critically, drug sensitivity was predicted and validated as highly state- dependent, both in single-cell assays from patient-derived explants and in PDX models, suggesting that successful treatment requires combinations of multiple drugs targeting these distinct tumor states.

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.

Despite considerable pan-cancer efforts, the link between genomics and transcriptomics in cancer remains relatively weak and mostly based on statistical rather than mechanistic principles. By performing integrative analysis of transcriptomic and mutational profiles on a sample-by-sample basis, via regulatory/signaling networks, we identified a repertoire of 407 Master-Regulator proteins responsible for canalizing the genetics of 20 TCGA cohorts into 112 transcriptionally- distinct tumor subtypes. Further analysis highlighted a highly-recurrent regulatory architecture (oncotecture) with Master-Regulators organized into 24 modular MR-Blocks, regulating highly-specific tumor-hallmark functions and predictive of patient outcome. Critically, >50% of the somatic alterations identified in individual samples were in proteins affecting Master-Regulator activity, thus yielding novel insight into mechanisms linking tumor genetics and transcriptional identity and establishing novel non-oncogene dependencies. Experimental validation of functional mutations upstream of the most conserved MR-Block confirmed their ability to affect MR-protein activity, suggesting that the proposed methodology may effectively complement and extend current pan-cancer knowledge.

Aberrant signaling pathway activity is a hallmark of tumorigenesis and progression, which has guided targeted inhibitor design for over 30 years. Yet, adaptive resistance mechanisms, induced by rapid, context-specific signaling network rewiring, continue to challenge therapeutic efficacy. By leveraging progress in proteomic technologies and network-based methodologies, over the past decade, we developed VESPA-an algorithm designed to elucidate mechanisms of cell response and adaptation to drug perturbations-and used it to analyze 7-point phosphoproteomic time series from colorectal cancer cells treated with clinically-relevant inhibitors and control media. Interrogation of tumor-specific enzyme/substrate interactions accurately inferred kinase and phosphatase activity, based on their inferred substrate phosphorylation state, effectively accounting for signal cross-talk and sparse phosphoproteome coverage. The analysis elucidated time-dependent signaling pathway response to each drug perturbation and, more importantly, cell adaptive response and rewiring that was experimentally confirmed by CRISPRko assays, suggesting broad applicability to cancer and other diseases.