T-cell large granular lymphocytic leukemia is a rare lymphoproliferative disorder characterized by the expansion of clonal CD3+CD8+ cytotoxic T lymphocytes (CTLs) and often associated with autoimmune disorders and immune-mediated cytopenias.

Abstract We present an individualized systems medicine (ISM) approach to optimize cancer drug therapies one patient at a time. ISM is based on (i) molecular profiling and ex vivo drug sensitivity and resistance testing (DSRT) of patients' cancer cells to 187 oncology drugs, (ii) clinical implementation of therapies predicted to be effective, and (iii) studying consecutive samples from the treated patients to understand the basis of resistance. Here, application of ISM to 28 samples from patients with acute myeloid leukemia (AML) uncovered five major taxonomic drug-response subtypes based on DSRT profiles, some with distinct genomic features (e.g., MLL gene fusions in subgroup IV and FLT3-ITD mutations in subgroup V). Therapy based on DSRT resulted in several clinical responses. After progression under DSRT-guided therapies, AML cells displayed significant clonal evolution and novel genomic changes potentially explaining resistance, whereas ex vivo DSRT data showed resistance to the clinically applied drugs and new vulnerabilities to previously ineffective drugs. Significance: Here, we demonstrate an ISM strategy to optimize safe and effective personalized cancer therapies for individual patients as well as to understand and predict disease evolution and the next line of therapy. This approach could facilitate systematic drug repositioning of approved targeted drugs as well as help to prioritize and de-risk emerging drugs for clinical testing. Cancer Discov; 3(12); 1416–29. ©2013 AACR. See related commentary by Hourigan and Karp, p. 1336 This article is highlighted in the In This Issue feature, p. 1317

Abstract High-throughput drug sensitivity screening has been utilized for facilitating the discovery of drug combinations in cancer. Many existing studies adopted a dose-response matrix design, aiming for the characterization of drug combination sensitivity and synergy. However, there is lack of consensus on the definition of sensitivity and synergy, leading to the use of different mathematical models that do not necessarily agree with each other. We proposed a cross design to enable a more cost-effective testing of sensitivity and synergy for a drug pair. We developed a drug combination sensitivity score (CSS) to summarize the drug combination dose-response curves. Using a high-throughput drug combination dataset, we showed that the CSS is highly reproducible among the replicates. With machine learning approaches such as Elastic Net, Random Forests and Support Vector Machines, the CSS can also be predicted with high accuracy. Furthermore, we defined a synergy score based on the difference between the drug combination and the single drug dose-response curves. We showed that the CSS-based synergy score is able to detect true synergistic and antagonistic drug combinations. The cross drug combination design coupled with the CSS scoring facilitated the evaluation of drug combination sensitivity and synergy using the same scale, with minimal experimental material that is required. Our approach could be utilized as an efficient pipeline for improving the discovery rate in high-throughput drug combination screening. The R scripts for calculating and predicting CSS are available at https://github.com/amalyutina/CSS . Author summary Being a complex disease, cancer is one of the main death causes worldwide. Although new treatment strategies have been achieved with cancers, they still have limited efficacy. Even when there is an initial treatment response, cancer cells can develop drug resistance thus cause disease recurrence. To achieve more effective and safe therapies to treat cancer, patients critically need multi-targeted drug combinations that will kill cancer cells at reduced dosages and thereby avoid side effects that are often associated with the standard treatment. However, the increasing number of possible drug combinations makes a pure experimental approach unfeasible, even with automated drug screening instruments. Therefore, we have proposed a new experimental set up to get the drug combination sensitivity data cost-efficiently and developed a score to quantify the efficiency of the drug combination, called drug combination sensitivity score (CSS). Using public datasets, we have shown that the CSS robustness and its highly predictive nature with an accuracy comparable to the experimental replicates. We have also defined a CSS-based synergy score as a metric of drug interaction and justified its relevance. Thus, we expect the proposed computational techniques to be easily applicable and beneficial in the field of drug combination discovery.

Abstract Probing the genetic dependencies of cancer cells helps understand the tumor biology and identify potential drug targets. RNAi-based shRNA and CRISPR/Cas9-based sgRNA have been commonly utilized in functional genetic screens to identify essential genes affecting growth rates in cancer cell lines. However, questions remain whether the gene essentiality profiles determined using these two technologies are comparable. In the present study, we collected 42 cell lines representing a variety of 10 tissue types, which had been screened both by shRNA and CRISPR techniques. We observed poor consistency of the essentiality scores between the two screens for the majority of the cell lines. The consistency did not improve after correcting the off-target effects in the shRNA screening, suggesting a minimal impact of off-target effects. We considered a linear regression model where the shRNA essentiality score is the predictor and the CRISPR essentiality score is the response variable. We showed that by including molecular features such as mutation, gene expression and copy number variation as covariates, the predictability of the regression model greatly improved, suggesting that molecular features may provide critical information in explaining the discrepancy between the shRNA and CRISPR-based essentiality scores. We provided a Combined Essentiality Score (CES) based on the model prediction and showed that the CES greatly improved the consensus of common essential genes. Furthermore, the CES also identified novel essential genes that are specific to individual cell types. Taken together, we provided a systematic approach to define a more accurate gene essentiality profile by integrating functional screen data and molecular profiles.

Abstract Recent molecular profiling and phenotyping methods combined with machine learning based analyses enable genotype-phenotype discovery at an unprecedented scale. The challenge now lies in unraveling the biological mechanisms underpinning these associations. High content imaging is a cost-effective approach for morphological and functional profiling of single cells that has provided insight into mechanisms of disease phenotypes, and consequences of genetic and drug perturbations. However, the morphological variability of healthy immune cells − instrumental to understanding disease-specific deviations from the healthy state − is still relatively uncharacterized. To elucidate this variability at scale, we generated high-resolution fluorescent confocal imaging data of peripheral blood mononuclear cell (PBMC) samples from 390 healthy blood donors with the Blood Cell Painting protocol. The protocol, developed here from the popular Cell Painting morphological profiling assay, optimizes for efficiency and throughput, and includes PBMC thawing, plating and fluorescence marker staining of non-adherent blood cells, followed by confocal and widefield imaging with a high content microscope. We assigned cell types based on cellular features with a classifier trained expert annotations, and observed monocytes to be five-fold more frequent in imaging data compared to flow cytometry baseline, with B and T cells being two-fold less frequent. We hypothesize this discrepancy is due to differential adherence between the cell types. We also evaluated three computational methods for correcting batch effects in imaging data, and found Harmony to perform the best, compatible with previous reports. Finally, we performed the Blood Cell Painting protocol on PBMCs in acute myeloid leukemia, and showed the protocol to be able to distinguish between AML FAB subtypes. Our study highlights the utility of high-content imaging with Cell Painting in characterizing and understanding health and disease phenotypes, opening avenues to further studies with integrated imaging and molecular profiling data. This manuscript is a work in progress, and we anticipate incorporating additional results into subsequent versions.

We demonstrated recently that Bcl-xL-specific inhibitors prematurely killed virus-infected or RNA/DNA-transfected cells. Here we showed that Bcl-xL-specific agent A-1155463 prematurely killed human non-malignant as well as malignant cells and the small roundworm C. elegans when combined with DNA-damaging agent 4-nitroquinoline-1-oxide (4NQO). The synergistic effect of 4NQO-A-1155463 combination was p53-dependent, was associated with the release of Bad and Bax from Bcl-xL and with mitochondrial outer membrane permeabilization (MOMP), indicating that Bcl-xL linked DNA damage response, p53 signalling and apoptotic pathways. In addition, combinations of Bcl-xL specific inhibitors with several anticancer agents, immunosuppressant drug, antiviral drug, DNA binding probes or UV radiation also killed cells. Thus, we identified biological, chemical and physical factors triggering Bcl-xL-mediated apoptosis.### Competing Interest StatementThe authors have declared no competing interest.

Abstract The extensive primary and secondary drug resistance in acute myeloid leukemia (AML) requires rational approaches to design personalized combinatorial treatments that exploit patient-specific therapeutic vulnerabilities to optimally target disease-driving AML cell subpopulations. However, the large number of AML-relevant drug combinations makes the testing impossible in scarce primary patient cells. This combinatorial problem is further exacerbated by the translational challenge of how to design such personalized and selective drug combinations that do not only show synergistic effect in overall AML cell killing but also result in minimal toxic side effects on non-malignant cells. To solve these challenges, we implemented a systematic computational-experimental approach for identifying potential drug combinations that have a desired synergy-efficacy-toxicity balance. Our mechanism-agnostic approach combines single-cell RNA-sequencing (scRNA-seq) with ex vivo single-agent viability testing in primary patient cells. The data integration and predictive modelling are carried out at a single-cell resolution by means of a machine learning model that makes use of compound-target interaction networks to narrow down the massive search space of potentially effective drug combinations. When applied to two diagnostic and two refractory AML patient cases, each having a different genetic background, our integrated approach predicted a number of patient-specific combinations that were shown to result not only in synergistic cancer cell inhibition but were also capable of targeting specific AML cell subpopulations that emerge in differing stages of disease pathogenesis or treatment regimens. Overall, 53% of the 59 predicted combinations were experimentally confirmed to show synergy, and 83% were non-antagonistic, as validated with viability assays, which is a significant improvement over the success rate of randomly guessing a synergistic drug combination (5%). Importantly, 67% of the predicted combinations showed low toxicity to non-malignant cells, as validated with flow-based population assays, suggesting their selective killing of AML cell populations. Our data-driven approach provides an unbiased means for systematic prioritization of patient-specific drug combinations that selectively inhibit AML cells and avoid co-inhibition of non-malignant cells, thereby increasing their likelihood for clinical translation. The approach uses only a limited number of patient primary cells, and it is widely applicable to hematological cancers that are accessible for scRNA-seq profiling and ex vivo compound testing.

Abstract Intratumoral cellular heterogeneity necessitates multi-targeting therapies for improved clinical benefits in patients with advanced malignancies. However, systematic identification of patient-specific treatments that selectively co-inhibit cancerous cell populations poses a combinatorial challenge, since the number of possible drug-dose combinations vastly exceeds what could be tested in scarce patient cells. Here, we developed scTherapy, a machine learning model that leverages single-cell transcriptomic profiles to prioritize multi-targeting treatment options for individual patients with hematological cancers or solid tumors.

Abstract Acute myeloid leukemia (AML) is an aggressive hematological disorder comprising a hierarchy of quiescent leukemic stem cells (LSCs) and proliferating blasts with limited self-renewal ability. AML has a dismal prognosis, with extremely low two-year survival rates in the poorest cytogenetic risk patients, primarily due to the failure of intensive chemotherapy protocols unable to deplete LSCs, which reconstitute the disease in vivo , and the significant toxicity towards healthy hematopoietic cells. Whilst much work has been done to identify genetic and epigenetic vulnerabilities in AML LSCs, little is known about protein dynamics and the role of protein degradation in drug resistance and relapse. Here, using a highly specific inhibitor of the SCF SKP2-CKS1 complex, we report a dual role for CKS1-dependent protein degradation in reducing AML blasts in vivo , and importantly depleting LSCs. Whilst many AML LSC targeted therapies show significant toxicity to healthy hematopoiesis, inhibition of CKS1-dependent protein degradation has the opposite effect, protecting normal hematopoietic cells from chemotherapeutic toxicity. Together these findings demonstrate CKS1-dependent proteostasis is key for normal and malignant hematopoiesis. Significance CKS1-dependent protein degradation is a specific vulnerability in AML LSCs. Specific inhibition of SCF SKP2-CKS1 is lethal to CKS1B high AML blasts and all AML LSCs. Normal hematopoiesis is protected from chemotherapeutic toxicity by inhibition of CKS1-dependent protein degradation, substantiating a dual role for CKS1-dependent protein degradation in clinical treatment of AML.

Abstract Acute myeloid leukemia (AML), a heterogeneous and aggressive blood cancer, does not respond well to single-drug therapy. A combination of drugs is required to effectively treat this disease. Computational models are critical for combination therapy discovery due to the tens of thousands of two-drug combinations, even with approved drugs. While predicting synergistic drugs is the focus of current methods, few consider drug efficacy and potential toxicity, which are crucial for treatment success. To find effective new drug candidates, we constructed a bipartite network using patient-derived tumor samples and drugs. The network is based on drug-response screening and summarizes all treatment response heterogeneity as drug response weights. This bipartite network is then projected onto the drug part, resulting in the drug similarity network. Distinct drug clusters were identified using community detection methods, each targeting different biological processes and pathways as revealed by enrichment and pathway analysis of the drugs’ protein targets. Four drugs with the highest efficacy and lowest toxicity from each cluster were selected and tested for drug sensitivity using cell viability assays on various samples. Results show that the combinations of ruxolitinib-ulixertinib and sapanisertib-LY3009120 are the most effective with the least toxicity and best synergistic effects on blasts. Key Points Ruxolitinib-ulixertinib and sapanisertib-LY3009120 have the best synergistic effects on AML, with the least toxicity. This study’s combinations destroy blasts without harming other cells, unlike standard chemotherapy, which kills most blasts and other cells.