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.

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.

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.

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.

Abstract Alternative polyadenylation (APA) is emerging as a widespread regulatory layer as the majority of human protein-coding genes contain several polyadenylation (p(A)) sites in their 3’ UTRs. By generating isoforms with different 3’ UTR length, APA potentially affects mRNA stability, translation efficiency, nuclear export, and cellular localization. Polyadenylation sites are regulated by adjacent RNA cis-regulatory elements, the principals among them are the polyadenylation signal (PAS) AAUAAA and its main variant AUUAAA, typically located ~20- nt upstream of the p(A) site. Mutations in PAS and other auxiliary poly(A) cis-elements in the 3’ UTR of several genes have been shown to cause human Mendelian diseases, and to date, only a few common SNPs that regulate APA were associated with complex diseases. Here, we systematically searched for SNPs that affect gene expression and human traits by modulation of 3’ UTR APA. Focusing on the variants most likely to exert the strongest effect, we identified 2,305 SNPs that interrupt the canonical PAS or its main variant. Implementing pA-QTL tests using GTEx RNA-seq data, we identified 139 PAS SNPs significantly associated with the usage of their p(A) site. As expected, PAS-interrupting alleles were significantly linked with decreased cleavage at their p(A) site and the consequential 3’ UTR lengthening. As an indication for a functional effect of these PAS SNPs on gene expression, 65 of the pA-QTLs were also detected as eQTLs of the same gene in the same tissue. Furthermore, we observed that PAS-interrupting alleles linked with 3’ UTR lengthening were also strongly associated with decreased gene expression, pointing that shorter isoforms generated by APA are generally more stable than longer ones. Last, indicative of the impact of PAS SNPs on human phenotypes, 53 pA-QTLs overlapped GWAS SNPs that are significantly linked with human traits.

The co-occurrence of chromosome 10 loss and chromosome 7 gain in gliomas is the most frequent loss-gain co-aneuploidy pair in human cancers, a phenomenon that has been investigated without resolution since the late 1980s. Expanding beyond previous gene-centric studies, we investigate the co-occurrence in a genome-wide manner taking an evolutionary perspective. First, by mining large tumor aneuploidy data, we predict that the more likely order is 10 loss followed by 7 gain. Second, by analyzing extensive genomic and transcriptomic data from both patients and cell lines, we find that this co-occurrence can be explained by functional rescue interactions that are highly enriched on 7, which can possibly compensate for any detrimental consequences arising from the loss of 10. Finally, by analyzing transcriptomic data from normal, non-cancerous, human brain tissues, we provide a plausible reason why this co-occurrence happens preferentially in cancers originating in certain regions of the brain.

ABSTRACT The tumor microenvironment (TME) is a complex ecosystem of diverse cell types whose interactions govern tumor growth and clinical outcome. While the TME’s impact on immunotherapy has been extensively studied, its role in chemotherapy response remains less explored. To address this, we developed DECODEM ( DE coupling C ell-type-specific O utcomes using DE convolution and M achine learning), a generic computational framework leveraging cellular deconvolution of bulk transcriptomics to associate the gene expression of individual cell types in the TME with clinical response. Employing DECODEM to analyze the gene expression of breast cancer (BC) patients treated with neoadjuvant chemotherapy, we find that the gene expression of specific immune cells ( myeloid , plasmablasts , B-cells ) and stromal cells ( endothelial , normal epithelial , CAFs ) are highly predictive of chemotherapy response, going beyond that of the malignant cells. These findings are further tested and validated in a single-cell cohort of triple negative breast cancer. To investigate the possible role of immune cell-cell interactions (CCIs) in mediating chemotherapy response, we extended DECODEM to DECODEMi to identify such CCIs, validated in single-cell data. Our findings highlight the importance of active pre-treatment immune infiltration for chemotherapy success. The tools developed here are made publicly available and are applicable for studying the role of the TME in mediating response from readily available bulk tumor expression in a wide range of cancer treatments and indications.