Abstract Treatment of patients with high-grade serous ovarian carcinoma (HGSOC) and triple-negative breast cancer (TNBC) includes platinum-based drugs, gemcitabine, and PARP inhibitors. However, resistance to these therapies develops in most cases, highlighting the need for novel therapeutic approaches and biomarkers to guide the optimal treatment choice. Using a CRISPR loss-of-function screen for carboplatin sensitizers in the HGSOC cell line OVCAR8, we identified CSNK2A2 , the gene encoding for the alpha’ (α’) catalytic subunit of casein kinase 2 (CK2). Expanding on this finding, we confirmed that the CK2 inhibitors silmitasertib and SGC-CK2-1 sensitized many, but not all, TNBC and HGSOC cell lines to the drugs that perturb DNA replication, including platinum drugs, gemcitabine, and PARP inhibitors. We identified RB1 tumor suppressor deficiency as a prerequisite context for the CK2 inhibition-mediated sensitization to these therapeutics. In RB1-deficient cells, CK2 inhibition resulted in accumulation of cells in S phase of the cell cycle, associated with micronuclei formation, and accelerated PARP inhibitor-induced aneuploidy and mitotic cell death. Patient HGSOC organoids that lacked RB1 expression displayed an enhanced long-term response to carboplatin and PARP inhibitor niraparib when combined with silmitasertib, suggesting RB1-stratified efficacy in patients. As RB1 deficiency affects up to 25% of HGSOC and 40% of TNBC cases, CK2 inhibition, proven safe from previous clinical exploration with silmitasertib, is a promising approach to overcome resistance to standard therapeutics in large strata of patients.

Abstract In many real-world applications, such as those based on patient electronic health records, prognostic prediction of patient survival is based on heterogeneous sets of clinical laboratory measurements. To address the trade-off between the predictive accuracy of a prognostic model and the costs related to its clinical implementation, we propose an optimized L 0 -pseudonorm approach to learn sparse solutions in multivariable regression. The model sparsity is maintained by restricting the number of nonzero coefficients in the model with a cardinality constraint, which makes the optimization problem NP-hard. In addition, we generalize the cardinality constraint for grouped feature selection, hence making it possible to identify key sets of predictors that may be measured together in a kit in clinical practice. We demonstrate the operation of our cardinality constraint-based feature subset selection method, named OSCAR, in the context of prognostic modelling of prostate cancer, where it enabled one to determine the key explanatory predictors at different levels of model sparsity, and to explore how the model sparsity affects the model accuracy and implementation cost. Author summary Feature selection has become a crucial part in building biomedical models, due to the abundance of available predictors in many applications, yet there remains an uncertainty of their importance and generalization ability. Regularized regression methods have become popular approaches to tackle this challenge by balancing the model goodness-of-fit against the increasing complexity of the model in terms of coefficients that deviate from zero. Regularization norms are pivotal in formulating the model complexity, and currently L 1 (LASSO), L 2 (Ridge Regression) and their hybrid (Elastic Net) norms dominate the field. In this paper, we present a novel methodology using the L 0 -pseudonorm, also known as the best subset selection, which has largely gone overlooked due to its challenging discrete nature. Our methodology makes use of a continuous transformation of the discrete optimization problem, and provides effective solvers implemented in a user friendly R software package. We exemplify the use of oscar-package in the context of prostate cancer prognostic prediction using both real-world hospital registry and clinical cohort data. By benchmarking the methodology against related regularization methods, we illustrate the advantages of the L 0 -pseudonorm for better clinical applicability and selection of grouped features.

Patients with pancreatic ductal adenocarcinoma (PDAC) have the lowest survival rate among all cancer patients in Europe. Since western societies have the highest incidence of pancreatic cancer, it has been projected that PDAC will soon become the second leading cause of cancer-related deaths. The main challenge of PDAC treatment is that patients with similar somatic genotypes exhibit a wide range of disease phenotypes. Artificial Intelligence (AI) is currently transforming the field of healthcare and represents a promising technology for integrating various datasets and optimizing evidence-based decision making. However, the interpretability of most AI models is limited and it is challenging to understand how and why a decision is made. In this study, we developed a deep clustering model for PDAC patient stratification using integrated methylation and gene expression data. We placed a specific emphasis on model explainability, with the aim to understand the hidden patterns learned by the model. The results showed two subgroups of PDAC patients with different prognoses and biological factors. The multi-omics profile analysis revealed the important role of DNA methylation. We also showed how the model was able to learn underlying patterns using both single modalities and their combinations. We hope that this study will help to promote more explainable AI in real-world clinical applications, where the knowledge of decision factors is crucial. The code of this project is publicly available in GitHub (https://github.com/albertolzs/edc_mo_pdac).

ABSTRACT Therapeutic resistance to kinase inhibitors constitutes a major unresolved clinical challenge in cancer and especially in glioblastoma. Multi-kinase inhibitors may be used for simultaneous targeting of multiple target kinase and thereby potentially overcome kinase inhibitor resistance. However, in most cases identification of the target kinases mediating therapeutic effects of multi-kinase inhibitors has been challenging. To tackle this important problem, we developed an Actionable Targets of Multi-kinase Inhibitors (AToMI) strategy and used it for characterization of glioblastoma target kinases of staurosporine derivatives displaying synergy with protein phosphatase 2A (PP2A) reactivation. AToMI consists of interchangeable modules combining drug-kinase interaction assay, siRNA high-throughput screening, bioinformatics analysis and validation screening with more selective target kinase inhibitors. As a result, AToMI analysis revealed AKT and mitochondrial pyruvate dehydrogenase kinase PDK1 and PDK4 as kinase targets of staurosporine derivatives UCN-01, CEP-701, and K252a that synergized with PP2A activation across heterogeneous glioblastoma cells. Based on these proof-of-principle results we propose that application and further development of AToMI for clinically applicable multi-kinase inhibitors could provide significant benefits in overcoming the challenge of lack of knowledge of target specificity of multi-kinase inhibitors.

ABSTRACT Purpose Phosphatidylinositol 3-kinase inhibitors (PI3Ki) are approved for relapsed chronic lymphocytic leukemia (CLL). While patients may show an initial response, development of treatment intolerance or resistance remains a clinically challenging. Prediction of individual treatment responses based on clinically actionable biomarkers is needed to overcome these challenges. Here, we investigated whether ex vivo functional responses to targeted therapies can stratify responders to idelalisib and guide precision medicine in CLL. Experimental design CLL cells from treatment naïve, idelalisib-responding, and idelalisib-refractory/intolerant patients (n=33 in total) were profiled against ten PI3Ki and the Bcl-2 antagonist venetoclax. Cell signaling and immune phenotypes were analyzed by flow cytometry. Cell viability was monitored by detection of cleaved caspase-3 and the CellTiter-Glo assay. Results Among the ten PI3Ki studied, pan-PI3Ki were most effective at inhibiting PI3K signaling and cell viability, and they showed activity also in CLL cells from idelalisib-refractory/intolerant patients. The pan-PI3Ki copanlisib, but not the p110δ inhibitor idelalisib, inhibited PI3K signaling in CD4 + and CD8 + T cells in addition to CD19 + B cells, while it did not significantly affect T cell numbers. Combination treatment with a PI3Ki and venetoclax resulted in synergistic induction of apoptosis. Based on ex vivo drug sensitivity testing, a relapsed CLL patient was treated with idelalisib plus venetoclax, and the patient achieved a partial response. A more systematic analysis revealed that CLL cells from patients with a long-term response to idelalisib showed significantly higher drug sensitivities to 73 drug combinations at baseline compared to short-term responders. Conclusions Our findings suggest novel treatment vulnerabilities in idelalisib-refractory/intolerant CLL, and demonstrate that ex vivo functional profiling may guide precision medicine and predict treatment responses of individual CLL patients. TRANSLATIONAL RELEVANCE The phosphatidylinositol 3-kinase inhibitors (PI3Ki) idelalisib and duvelisib are approved for relapsed chronic lymphocytic leukemia (CLL), but their use has been limited by severe toxicity and acquired resistance. Identification of biomarkers that predict individual treatment responses, as well as alternative treatment vulnerabilities in PI3Ki refractory/intolerant patients, is needed to optimally tailor CLL therapy. We performed functional analyses of CLL cells from treatment naïve, idelalisib-responding and idelalisib-refractory/intolerant patients to identify clinically actionable biomarkers. We show that CLL cells from idelalisib-refractory/intolerant patients remain sensitive to pan-PI3Ki and PI3Ki plus venetoclax combinations. Ex vivo drug sensitivity testing was used to guide treatment of a relapsed CLL patient who obtained a partial response after idelalisib plus venetoclax therapy. A systematic analysis of drug sensitivities to 73 drug combinations stratified responders to idelalisib using baseline samples from short-term and long-term responders to idelalisib. Our study demonstrates the power of functional precision medicine in relapsed CLL.

ABSTRACT Background Glioblastoma is characterized by hyperactivation of kinase signaling pathways. Regardless, most glioblastoma clinical trials targeting kinase signaling have failed. We hypothesized that overcoming the glioblastoma kinase inhibitor tolerance requires efficient shut-down of phosphorylation-dependent signaling rewiring by simultaneous inhibition of multiple critical kinases combined with reactivation of Protein Phosphatase 2A (PP2A). Methods Live-cell imaging and colony growth assays were used to determine long-term impact of therapy effects on ten brain tumor cell models. Immunoblotting, MS-phosphoproteomics, and Seahorse metabolic assay were used for analysis of therapy-induced signaling rewiring. BH3 profiling was used to understand the mitochondrial apoptosis mechanisms. Medulloblastoma models were used to expand the importance to other brain cancer. Intracranial xenografts were used to validate the in vivo therapeutic impact of the triplet therapy. Results Collectively all tested ten glioblastoma and medulloblastoma cell models were effectively eradicated by the newly discovered triplet therapy combining inhibition of AKT and PDK1-4 kinases with pharmacological PP2A reactivation. Mechanistically, the brain tumor cell selective lethality of the triplet therapy could be explained by its combinatorial effects on therapy-induced signaling rewiring, OXPHOS, and apoptosis priming. The brain-penetrant triplet combination had a significant in vivo efficacy in intracranial glioblastoma and medulloblastoma models. Conclusion The results confirm highly heterogenous responses of brain cancer cells to mono - and doublet combination therapies targeting phosphorylation-dependent signaling. However, the brain cancer cells cannot escape the triplet therapy targeting of AKT, PDK1-4, and PP2A. The results encourage evaluation of brain tumor PP2A status for design of future kinase inhibitor combination trials. Key Points Development of triplet kinase-phosphatase targeting therapy strategy for overcoming therapy tolerance across brain tumor models. Identification of interplay between therapy-induced signaling rewiring, OXPHOS, and BH3 protein-mediated apoptosis priming as a cause for kinase inhibitor tolerance in brain cancers. Validation of the results in intracranial in vivo models with orally bioavailable and brain penetrant triplet therapy combination. Importance of the Study Based on current genetic knowledge, glioblastoma should be particularly suitable target for kinase inhibitor therapies, However, in glioblastoma alone over 180 clinical trials with kinase inhibitors have failed. In this manuscript, we recapitulate this clinical observation by demonstrating broad tolerance of brain cancer cell models to kinase inhibitors even when combined with reactivation of PP2A. However, we discover that the therapy-induced signaling rewiring, and therapy tolerance, can be overcome by triplet targeting of AKT, PDK1-4 and PP2A. We provide strong evidence for the translatability of the findings by orally dosed brain penetrant triplet therapy combination in intracranial brain cancer models. The results encourage biomarker profiling of brain tumors for their PP2A status for clinical trials with combination of AKT and PDK1-4 inhibitors. Further, the results indicate that rapidly developing PP2A reactivation therapies will constitute an attractive future therapy option for brain tumors when combined with multi-kinase inhibition.

Abstract T-cell acute lymphoblastic leukemia (T-ALL) is an aggressive immature T-cell cancer. Hotspot mutations in JAK-STAT pathway members IL7R , JAK1 and JAK3 were analyzed in depth. However, the role of STAT5A or STAT5B mutations promoting their hyperactivation is poorly understood in the context of T-cell cancer initiation and acute leukemia progression. Importantly, the driver mutation STAT5B N642H encodes the most frequent activating STAT5 variant in T-ALL associated with poor prognosis. Here, we show that hyperactive STAT5 promotes early T-cell progenitor (ETP)-ALL-like cancer in mice and upregulated genes involved in T-cell receptor signaling (TCR), even in absence of surface TCR promoting. Importantly, these genes were also overexpressed in human T-ALL and other STAT5-dependent T-cell cancers. Moreover, human T-ALL cells were sensitive to pharmacologic inhibition by dual STAT3/5 degraders or ZAP70 tyrosine kinase blockers. Thus, we define STAT5 target genes in T-ALL that promote pre-TCR signaling mimicry. We propose therapeutic targeting using selective ZAP70 or STAT3/5 inhibitors in a subgroup of T-ALL patients with prominent IL-7R-JAK1/3-STAT5 activity. Significance We provide detailed functional characterizations of hyperactive STAT5A or STAT5B in thymic T-cell development and transformation. We found that hyperactive STAT5 transcribes T-cell-specific kinases or pre-TCR signaling hubs to promote T-ALL. Biomolecular and next-generation-sequencing methods, transgenesis and pharmacologic interference revealed that hyperactive STAT5 is a key oncogenic driver that can be targeted in T-ALL using STAT3/5 or SYK family member tyrosine kinase inhibitors. Conflict of interest The authors declare no potential conflicts of interest.

Abstract Designing a focused compound screening library of bioactive small molecules is a challenging task since many compounds modulate their effects through multiple protein targets with various degrees of potency and selectivity. We describe here several analytic procedures with adjustable cut-off parameters that enable one to design anticancer target-focused compound libraries optimized for library size, cellular activity, biological and chemical diversity and target selectivity. Even though our focus was on designing compound libraries to enable a comprehensive investigation of the target biology of glioblastoma (GBM), the compound collections cover a wide range of protein targets and biological pathways implicated in various types of cancers, making the libraries widely applicable in precision oncology studies. We published the final screening set library, called the C omprehensive anti- C ancer small- C ompound L ibrary, or C 3 L. We hope these general library design principles and the current, widely annotated small molecule libraries will prove useful for the community in various phenotypic screening experiments in GBM and other cancers.

The genetic and functional heterogeneity of tumors imposes the challenge of understanding how a cancer progresses, evolves and adapts to treatment at the subclonal level. Therefore, there is a critical need for methods that enable profiling of individual cancer cell lineages. Here, we report a novel system that couples an established DNA barcoding technique for lineage tracing with a controlled DNA barcode-guided lineage isolation (B-GLI). B-GLI allows both high-complexity of lineage tracing and effective isolation of individual clones by CRISPRa-mediated induction of puromycin resistance, making it possible to unbiasedly trace, isolate, and study individual cancer cell lineages. We present an experimental evaluation of the system performance in isolation of lineages and outline a comprehensive workflow for B-GLI applications. We believe the system has broad applications aimed at molecular and phenotypic profiling of individual lineages in heterogeneous cell populations.

Single-cell transcriptomics enables systematic charting of cellular composition of complex tissues. Identification of cell populations often relies on unsupervised clustering of cells based on the similarity of the scRNA-seq profiles, followed by manual annotation of cell clusters using established marker genes. However, manual selection of marker genes for cell-type annotation is a laborious and error-prone task since the selected markers must be specific both to the individual cell clusters and various cell types. Here, we developed a computational method, termed ScType, which enables data-driven selection of marker genes based solely on given scRNA-seq data. Using a compendium of 7 scRNA-seq datasets from various human and mouse tissues, we demonstrate how ScType enables unbiased, accurate and fully-automated single-cell type annotation by guaranteeing the specificity of marker genes both across cell clusters and cell types. The widely-applicable method is implemented as an interactive web-tool (https://sctype.fimm.fi), connected with comprehensive database of specific markers.