Anatomically correct tumor genomics Glioblastoma is the most lethal form of human brain cancer. The genomic alterations and gene expression profiles characterizing this tumor type have been widely studied. Puchalski et al. created the Ivy Glioblastoma Atlas, a freely available online resource for the research community. The atlas, a collaborative effort between bioinformaticians and pathologists, maps molecular features of glioblastomas, such as transcriptional signatures, to histologically defined anatomical regions of the tumors. The relationships identified in this atlas, in conjunction with associated databases of clinical and genomic information, could provide new insights into the pathogenesis, diagnosis, and treatment of glioblastoma. Science , this issue p. 660

Poor prognosis and drug resistance in glioblastoma (GBM) can result from cellular heterogeneity and treatment-induced shifts in phenotypic states of tumor cells, including dedifferentiation into glioma stem-like cells (GSCs). This rare tumorigenic cell subpopulation resists temozolomide, undergoes proneural-to-mesenchymal transition (PMT) to evade therapy, and drives recurrence. Through inference of transcriptional regulatory networks (TRNs) of patient-derived GSCs (PD-GSCs) at single-cell resolution, we demonstrate how the topology of transcription factor interaction networks drives distinct trajectories of cell-state transitions in PD-GSCs resistant or susceptible to cytotoxic drug treatment. By experimentally testing predictions based on TRN simulations, we show that drug treatment drives surviving PD-GSCs along a trajectory of intermediate states, exposing vulnerability to potentiated killing by siRNA or a second drug targeting treatment-induced transcriptional programs governing nongenetic cell plasticity. Our findings demonstrate an approach to uncover TRN topology and use it to rationally predict combinatorial treatments that disrupt acquired resistance in GBM.

ABSTRACT Poor prognosis and drug resistance in glioblastoma (GBM) can result from cellular heterogeneity and treatment-induced shifts in phenotypic states of tumor cells, including dedifferentiation into glioma stem-like cells (GSCs). This rare tumorigenic cell subpopulation resists temozolomide, undergoes proneural-to-mesenchymal transition (PMT) to evade therapy, and drives recurrence. Through inference of transcriptional regulatory networks (TRNs) of patient-derived GSCs (PD-GSCs) at single-cell resolution, we demonstrate how the topology of transcription factor interaction networks drives distinct trajectories of cell state transitions in PD-GSCs resistant or susceptible to cytotoxic drug treatment. By experimentally testing predictions based on TRN simulations, we show that drug treatment drives surviving PD-GSCs along a trajectory of intermediate states, exposing vulnerability to potentiated killing by siRNA or a second drug targeting treatment-induced transcriptional programs governing non-genetic cell plasticity. Our findings demonstrate an approach to uncover TRN topology and use it to rationally predict combinatorial treatments that disrupts acquired resistance in GBM. Teaser Gene regulatory networks drive glioma stem-like cell drug response and drug-induced cell-state transitions leading to resistance.

Optimal treatment of brain metastases is often hindered by limitations in diagnostic capabilities. To meet these challenges, we generated genome-scale DNA methylomes of the three most frequent types of brain metastases: melanoma, breast, and lung cancers (n=96). Using supervised machine learning and integration of multiple DNA methylomes from normal, primary, and metastatic tumor specimens (n=1,860), we unraveled epigenetic signatures specific to each type of metastatic brain tumor and constructed a three-step DNA methylation-based classifier (BrainMETH) that categorizes brain metastases according to the tissue of origin and therapeutically-relevant subtypes. BrainMETH predictions were supported by routine histopathologic evaluation. We further characterized and validated the most predictive genomic regions in a large cohort of brain tumors (n=165) using quantitative methylation-specific PCR. Our study highlights the importance of brain tumor-defining epigenetic alterations, which can be utilized to further develop DNA methylation profiling as a critical tool in the histomolecular stratification of patients with brain metastases.