Summary Targeted therapeutics have advanced cancer treatment, but single agent activity remains limited by de novo and acquired resistance. Combining targeted drugs is broadly seen as a way to improve treatment outcome, motivating the ongoing search for efficacious combinations. To identify synergistic targeted therapy combinations and study the impact of tumor heterogeneity on combination outcome, we systematically tested over 5,000 two drug combinations at multiple doses across a collection of 81 non-small cancer cell lines. Both known and novel synergistic combinations were identified. Strikingly, very few combinations yield synergy across the majority of cell line models. Importantly, synergism mainly arises due to sensitization of single agent resistant models, rather than further sensitize already sensitive cell lines, frequently via dual targeting of a single or two highly interconnected pathways. This drug combinations resource, the largest of its kind should help delineate new synergistic regimens by facilitating the understanding of drug synergism in cancer.

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 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.

ABSTRACT Malignant mesothelioma is an aggressive cancer with limited treatment options and poor prognosis. Better understanding of mesothelioma genomics and transcriptomics could advance novel therapies. We performed whole-exome and RNA-sequencing of germline and tumors of 122 patients with pleural, peritoneal, and tunica-vaginalis mesothelioma. We identify a 48 gene prognostic signature that is highly predictive of mesothelioma patient survival including CCNB1 , whose expression is highly predictive of patient survival on its own. Using a synthetic-lethality (SL) based pipeline for analyzing the patients’ transcriptomic data, we identified SL-based signatures predictive of response to an anti-PD1 immune checkpoint inhibitor and combination therapies with pemetrexed. These SL-profiles successfully predict the overall patient-response observed across targeted, immuno- and chemotherapies in 11 independent mesothelioma clinical trials spanning 7 different treatments. These findings lay a basis for future studies aimed specifically at testing the ability of these SL profiles to serve as treatment biomarkers in mesothelioma.

ABSTRACT Cancer is an evolutionarily conserved disease that occurs in a wide variety of species. We applied a comparative genomics approach to systematically characterize the genes whose conservation levels significantly correlates positively (PC) or negatively (NC) with a broad spectrum of cancer-resistance estimates, computed across almost 200 vertebrate species. PC genes are enriched in pathways relevant to tumor suppression including cell cycle, DNA repair, and immune response, while NC genes are enriched with a host of metabolic pathways. The conservation levels of the PC and NC genes in a species serve to build the first genomics-based predictor of its cancer resistance score. We find that PC genes are less tolerant to loss of function (LoF) mutations, are enriched in cancer driver genes and are associated with germline mutations that increase human cancer risk. Furthermore, their expression levels are associated with lifetime cancer risk across human tissues. Finally, their knockout in mice results in increased cancer incidence. In sum, we find that many genes associated with cancer resistance across species are implicated in human cancers, pointing to several additional candidate genes that may have a functional role in human cancer.

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 Cancer occurs more frequently in men while autoimmune diseases (AIDs) occur more frequently in women. To explore whether these sex biases have a common basis, we collected 167 AID incidence studies from many countries for tissues that have both a cancer type and an AID that arise from that tissue. Analyzing a total of 182 country-specific, tissue-matched cancer-AID incidence rate sex bias data pairs, we find that, indeed, the sex biases observed in the incidence of AIDs and cancers that occur in the same tissue are positively correlated across human tissues. The common key factor whose levels across human tissues are most strongly associated with these incidence rate sex biases is the sex bias in the expression of the 37 genes encoded in the mitochondrial genome.

Novel strategies are needed to identify drug targets and treatments for the COVID-19 pandemic. The altered gene expression of virus-infected host cells provides an opportunity to specifically inhibit viral propagation via targeting the synthetic lethal (SL) partners of such altered host genes. Pursuing this antiviral strategy, here we comprehensively analyzed multiple in vitro and in vivo bulk and single-cell RNA-sequencing datasets of SARS-CoV-2 infection to predict clinically relevant candidate antiviral targets that are SL with altered host genes. The predicted SL-based targets are highly enriched for infected cell inhibiting genes reported in four SARS-CoV-2 CRISPR-Cas9 genome-wide genetic screens. Integrating our predictions with the results of these screens, we further selected a focused subset of 26 genes that we experimentally tested in a targeted siRNA screen using human Caco-2 cells. Notably, as predicted, knocking down these targets reduced viral replication and cell viability only under the infected condition without harming non-infected cells. Our results are made publicly available, to facilitate their in vivo testing and further validation.

Abstract Drugs that kill tumors through multiple mechanisms have potential for broad clinical benefits, with a reduced propensity to resistance. We developed BipotentR, a computational approach to find cancer-cell-specific regulators that simultaneously modulate tumor immunity and another oncogenic pathway. Using tumor metabolism as proof-of-principle, BipotentR identified 38 candidate immune-metabolic regulators by combining epigenomes with bulk and single-cell tumor transcriptomes from patients. Inhibition of top candidate ESRRA (Estrogen Related Receptor Alpha) killed tumors by direct effects on energy metabolism and two immune mechanisms: (i) cytokine induction, causing proinflammatory macrophage polarization (ii) antigen-presentation stimulation, recruiting CD8 + T cells into tumors. ESRRA is activated in immune-suppressive and immunotherapy-resistant tumors of many types, suggesting broad clinical relevance. We also applied BipotentR to angiogenesis and growth-suppressor pathways, demonstrating a widely applicable approach to identify drug targets that act simultaneously through multiple mechanisms. BipotentR is publicly available at http://bipotentr.dfci.harvard.edu/ . One-Sentence Summary BipotentR identifies targets for bipotent anticancer drugs, as shown by the energy and immune effects of ESRRA inhibition.

Metastasis is a leading cause of cancer-related deaths, yet understanding how metastatic tumors adapt from their origin to their target tissues remains a fundamental challenge. To address this, we assessed whether primary and metastatic tumors more closely resemble their tissues of origin or target tissues in terms of gene expression. We analyzed expression profiles from multiple cancer types and normal tissues, including single-cell and bulk RNA sequencing data from both paired and unpaired patient cohorts. Primary tumors were overall more transcriptomically similar to their tissues of origin, while metastases shifted toward their target tissues. However, pathway-level analysis highlighted critical metabolic and immune transcriptomic changes toward target tissues during metastasis in both primary and metastatic tumors. In addition, primary tumors exhibited higher activity in cancer hallmarks such as “Activating Invasion and Metastasis” when compared to metastases. This comprehensive analysis provides a transcriptome-wide view of the processes through which cancer tumors adapt to their metastatic environments before and after metastasis.