Immune checkpoint inhibitors remained the standard-of-care treatment for advanced non-small cell lung cancer (NSCLC) for the past decade. In unselected patients, anti-PD-(L)1 monotherapy achieved an overall response rate of about 20%. In this analysis, we developed a pharmacokinetic and pharmacodynamic module for our previously calibrated quantitative systems pharmacology model (QSP) to simulate the effectiveness of macrophage-targeted therapies in combination with PD-L1 inhibition in advanced NSCLC. By conducting in silico clinical trials, the model confirmed that anti-CD47 treatment is not an optimal option of second- and later-line treatment for advanced NSCLC resistant to PD-(L)1 blockade. Furthermore, the model predicted that inhibition of macrophage recruitment, such as using CCR2 inhibitors, can potentially improve tumor size reduction when combined with anti-PD-(L)1 therapy, especially in patients who are likely to respond to anti-PD-(L)1 monotherapy and those with a high level of tumor-associated macrophages. Here, we demonstrate the application of the QSP platform on predicting the effectiveness of novel drug combinations involving immune checkpoint inhibitors based on preclinical or early-stage clinical trial data.

Generating realistic virtual patients from a limited amount of patient data is one of the major challenges for quantitative systems pharmacology modeling in immuno-oncology. Quantitative systems pharmacology (QSP) is a mathematical modeling methodology that integrates mechanistic knowledge of biological systems to investigate dynamics in a whole system during disease progression and drug treatment. In the present analysis, we parameterized our previously published QSP model of the cancer-immunity cycle to non-small cell lung cancer (NSCLC) and generated a virtual patient cohort to predict clinical response to PD-L1 inhibition in NSCLC. The virtual patient generation was guided by immunogenomic data from iAtlas portal and population pharmacokinetic data of durvalumab, a PD-L1 inhibitor. With virtual patients generated following the immunogenomic data distribution, our model predicted a response rate of 18.6% (95% bootstrap confidence interval: 13.3-24.2%) and identified CD8/Treg ratio as a potential predictive biomarker in addition to PD-L1 expression and tumor mutational burden. We demonstrated that omics data served as a reliable resource for virtual patient generation techniques in immuno-oncology using QSP models.

Abstract A protective humoral response to pathogens requires the development of high affinity antibodies in germinal centers (GC). The combination of antigens available during immunization has a strong impact on the strength and breadth of the antibody response. Antigens can display various levels of immunogenicity, and a hierarchy of immunodominance arises when the GC response to an antigen dampens the response to other antigens. Immunodominance is a challenge for the development of vaccines to mutating viruses, and for the development of broadly neutralizing antibodies. The extent by which antigens with different levels of immunogenicity compete for the induction of high affinity antibodies and therefore contribute to immunodominance is not known. Here, we perform in silico simulations of the GC response, using a structural representation of antigens with complex surface amino acid composition and topology. We generate antigens with different levels of immunogenicity and perform simulations with combinations of these antigens. We found that GC dynamics were driven by the most immunogenic antigen and immunodominance arose as affinity maturation to less immunogenic antigens was inhibited. However, this inhibition was moderate since the less immunogenic antigen exhibited a weak GC response in the absence of other antigens. Less immunogenic antigens reduced the dominance of GC responses to more immunogenic antigens, albeit at a later time point. The simulations suggest that increased vaccine valence may decrease immunodominance of the GC response to strongly immunogenic antigens and therefore, act as a potential strategy for the natural induction of broadly neutralizing antibodies in GC reactions.

Patients with metastatic triple-negative breast cancer (TNBC) show variable responses to PD-1 inhibition. Efficient patient selection by predictive biomarkers would be desirable, but is hindered by the limited performance of existing biomarkers. Here, we leveraged in-silico patient cohorts generated using a quantitative systems pharmacology model of metastatic TNBC, informed by transcriptomic and clinical data, to explore potential ways to improve patient selection. We tested 90 biomarker candidates, including various cellular and molecular species, by a cutoff-based biomarker testing algorithm combined with machine learning-based feature selection. Combinations of pre-treatment biomarkers improved the specificity compared to single biomarkers at the cost of reduced sensitivity. On the other hand, early on-treatment biomarkers, such as the relative change in tumor diameter from baseline measured at two weeks after treatment initiation, achieved remarkably higher sensitivity and specificity. Further, blood-based biomarkers had a comparable ability to tumor- or lymph node-based biomarkers in identifying a subset of responders, potentially suggesting a less invasive way for patient selection.

Abstract Follicular Dendritic Cells (FDCs) retain immune complexes (ICs) for prolonged time periods and are important for germinal center (GC) reactions. ICs undergo periodic cycling in FDCs, a mechanism supporting an extended half-life of antigen. Based on experimental data we estimated that the average residence time of Phycoerythrin-ICs (PE-ICs) on FDC surface and interior were 21 and 36 minutes, respectively. GC simulations show that antigen cycling might impact GC dynamics due to redistribution of antigen on the FDC surface and by protecting antigen from degradation. Antigen protection and influence on GC dynamics varied with antigen cycling time and total antigen concentration. Simulations predict that blocking antigen cycling terminates the GC reaction and decreases plasma cell production. Considering that cycling of antigen could be a target for the modulation of GC reactions, our findings highlight the importance of understanding the mechanism and regulation of IC cycling in FDCs.