Giant congenital melanocytic nevi are NRAS-driven proliferations that may cover up to 80% of the body surface. Their most dangerous consequence is progression to melanoma. This risk often triggers preemptive extensive surgical excisions in childhood, producing severe lifelong challenges. We have presented preclinical models, including multiple genetically engineered mice and xenografted human lesions, which enabled testing locally applied pharmacologic agents to avoid surgery. The murine models permitted the identification of proliferative versus senescent nevus phases and treatments targeting both. These nevi recapitulated the histologic and molecular features of human giant congenital nevi, including the risk of melanoma transformation. Cutaneously delivered MEK, PI3K, and c-KIT inhibitors or proinflammatory squaric acid dibutylester (SADBE) achieved major regressions. SADBE triggered innate immunity that ablated detectable nevocytes, fully prevented melanoma, and regressed human giant nevus xenografts. These findings reveal nevus mechanistic vulnerabilities and suggest opportunities for topical interventions that may alter the therapeutic options for children with congenital giant nevi.

Abstract Purpose Predictive biomarkers of immune checkpoint inhibitors (ICIs) efficacy are currently lacking for non-small cell lung cancer (NSCLC). Here, we describe the results from the Anti–PD-1 Response Prediction DREAM Challenge, a crowdsourced initiative that enabled the assessment of predictive models by using data from two randomized controlled clinical trials (RCTs) of ICIs in first-line metastatic NSCLC. Methods Participants developed and trained models using public resources. These were evaluated with data from the CheckMate 026 trial ( NCT02041533 ), according to the model-to-data paradigm to maintain patient confidentiality. The generalizability of the models with the best predictive performance was assessed using data from the CheckMate 227 trial ( NCT02477826 ). Both trials were phase III RCTs with a chemotherapy control arm, which supported the differentiation between predictive and prognostic models. Isolated model containers were evaluated using a bespoke strategy that considered the challenges of handling transcriptome data from clinical trials. Results A total of 59 teams participated, with 417 models submitted. Multiple predictive models, as opposed to a prognostic model, were generated for predicting overall survival, progression-free survival, and progressive disease status with ICIs. Variables within the models submitted by participants included tumor mutational burden (TMB), programmed death ligand 1 (PD-L1) expression, and gene-expression–based signatures. The bestperforming models showed improved predictive power over reference variables, including TMB or PD-L1. Conclusion This DREAM Challenge is the first successful attempt to use protected phase III clinical data for a crowdsourced effort towards generating predictive models for ICIs clinical outcomes and could serve as a blueprint for similar efforts in other tumor types and disease states, setting a benchmark for future studies aiming to identify biomarkers predictive of ICIs efficacy. Context summary Key objective Not all patients with non-small cell lung cancer (NSCLC) eligible for immune checkpoint inhibitor (ICIs) respond to treatment, but accurate predictive biomarkers of ICIs clinical outcomes are currently lacking. This crowdsourced initiative enabled the robust assessment of predictive models using data from two randomized clinical trials of first-line ICI in metastatic NSCLC. Knowledge generated Models submitted indicate that a combination of programmed death ligand 1 (PD-L1), tumor mutational burden (TMB), and immune gene signatures might be able to identify patients more likely to respond to ICIs. TMB and PD-L1 seemed important to predict progression-free survival and overall survival. Mechanisms including apoptosis, T-cell crosstalk, and adaptive immune resistance appeared essential to predict response. Relevance

ABSTRACT c-MYC (MYC) is a major driver of prostate cancer tumorigenesis and progression. Although MYC is overexpressed in both early and metastatic disease and associated with poor survival, its impact on prostate transcriptional reprogramming remains elusive. We demonstrate that MYC overexpression significantly diminishes the androgen receptor (AR) transcriptional program (the set of genes directly targeted by the AR protein) in luminal prostate cells without altering AR expression. Importantly, analyses of clinical specimens revealed that concurrent low AR and high MYC transcriptional programs accelerate prostate cancer progression toward a metastatic, castration-resistant disease. Data integration of single-cell transcriptomics together with ChIP-seq revealed an increased RNA polymerase II (Pol II) promoter-proximal pausing at AR-dependent genes following MYC overexpression without an accompanying deactivation of AR-bound enhancers. Altogether, our findings suggest that MYC overexpression antagonizes the canonical AR transcriptional program and contributes to prostate tumor initiation and progression by disrupting transcriptional pause release at AR-regulated genes. STATEMENT OF SIGNIFICANCE AR and MYC are key to prostate cancer etiology but our current understanding of their interplay is scarce. Here we show that the oncogenic transcription factor MYC can pause the transcriptional program of the master transcription factor in prostate cancer, AR, while turning on its own, even more lethal program.

Abstract Recent advances in single-cell RNA sequencing have revealed heterogeneous cell types and gene expression states in the non-cancerous cells in tumors. The integration of multiple scRNA-seq datasets across tumors can reveal common cell types and states in the tumor microenvironment (TME). We developed a data driven framework, MetaTiME, to overcome the limitations in resolution and consistency that result from manual labelling using known gene markers. Using millions of TME single cells, MetaTiME learns meta-components that encode independent components of gene expression observed across cancer types. The meta-components are biologically interpretable as cell types, cell states, and signaling activities. By projecting onto the MetaTiME space, we provide a tool to annotate cell states and signature continuums for TME scRNA-seq data. Leveraging epigenetics data, MetaTiME reveals critical transcriptional regulators for the cell states. Overall, MetaTiME learns data-driven meta-components that depict cellular states and gene regulators for tumor immunity and cancer immunotherapy.

The recent advances in single-cell epigenomic techniques have created a growing demand for scATAC-seq analysis. One key task is to determine cell types based on epigenetic profiling. We introduce scATAnno, a workflow designed to automatically annotate scATAC-seq data using large-scale scATAC-seq reference atlases. This workflow can generate scATAC-seq reference atlases from publicly available datasets, and enable accurate cell type annotation by integrating query data with reference atlases, without the aid of scRNA-seq profiling. To enhance annotation accuracy, we have incorporated KNN-based and weighted distance-based uncertainty scores to effectively detect unknown cell populations within the query data. We showcase the utility of scATAnno across multiple datasets, including peripheral blood mononuclear cell (PBMC), basal cell carcinoma (BCC) and Triple Negative Breast Cancer (TNBC), and demonstrate that scATAnno accurately annotates cell types across conditions. Overall, scATAnno is a powerful tool for cell type annotation in scATAC-seq data and can aid in the interpretation of new scATAC-seq datasets in complex biological systems.

Clustering is one of the most common techniques used in data analysis to discover hidden structures by grouping together data points that are similar in some measure into clusters. Although there are many programs available for performing clustering, a single web resource that provides both state-of-the-art clustering methods and interactive visualizations is lacking. ClusterEnG (acronym for Clustering Engine for Genomics) provides an interface for clustering big data and interactive visualizations including 3D views, cluster selection and zoom features. ClusterEnG also aims at educating the user about the similarities and differences between various clustering algorithms and provides clustering tutorials that demonstrate potential pitfalls of each algorithm. The web resource will be particularly useful to scientists who are not conversant with computing but want to understand the structure of their data in an intuitive manner. ClusterEnG is part of a bigger project called KnowEnG (Knowledge Engine for Genomics) and is available at http://education.knoweng.org/clustereng.