Importance

 Understanding molecular mechanisms of response and resistance to anticancer therapies requires prospective patient follow-up and clinical and functional validation of both common and low-frequency mutations. We describe a whole-exome sequencing (WES) precision medicine trial focused on patients with advanced cancer. 

Objective

 To understand how WES data affect therapeutic decision making in patients with advanced cancer and to identify novel biomarkers of response. 

Design, Setting, and Patients

 Patients with metastatic and treatment-resistant cancer were prospectively enrolled at a single academic center for paired metastatic tumor and normal tissue WES during a 19-month period (February 2013 through September 2014). A comprehensive computational pipeline was used to detect point mutations, indels, and copy number alterations. Mutations were categorized as category 1, 2, or 3 on the basis of actionability; clinical reports were generated and discussed in precision tumor board. Patients were observed for 7 to 25 months for correlation of molecular information with clinical response. 

Main Outcomes and Measures

 Feasibility, use of WES for decision making, and identification of novel biomarkers. 

Results

 A total of 154 tumor-normal pairs from 97 patients with a range of metastatic cancers were sequenced, with a mean coverage of 95X and 16 somatic alterations detected per patient. In total, 16 mutations were category 1 (targeted therapy available), 98 were category 2 (biologically relevant), and 1474 were category 3 (unknown significance). Overall, WES provided informative results in 91 cases (94%), including alterations for which there is an approved drug, there are therapies in clinical or preclinical development, or they are considered drivers and potentially actionable (category 1-2); however, treatment was guided in only 5 patients (5%) on the basis of these recommendations because of access to clinical trials and/or off-label use of drugs. Among unexpected findings, a patient with prostate cancer with exceptional response to treatment was identified who harbored a somatic hemizygous deletion of the DNA repair geneFANCAand putative partial loss of function of the second allele through germline missense variant. Follow-up experiments established that loss of FANCA function was associated with platinum hypersensitivity both in vitro and in patient-derived xenografts, thus providing biologic rationale and functional evidence for his extreme clinical response. 

Conclusions and Relevance

 The majority of advanced, treatment-resistant tumors across tumor types harbor biologically informative alterations. The establishment of a clinical trial for WES of metastatic tumors with prospective follow-up of patients can help identify candidate predictive biomarkers of response.

Drug target identification is a crucial step in development, yet is also among the most complex. To address this, we develop BANDIT, a Bayesian machine-learning approach that integrates multiple data types to predict drug binding targets. Integrating public data, BANDIT benchmarked a ~90% accuracy on 2000+ small molecules. Applied to 14,000+ compounds without known targets, BANDIT generated ~4,000 previously unknown molecule-target predictions. From this set we validate 14 novel microtubule inhibitors, including 3 with activity on resistant cancer cells. We applied BANDIT to ONC201-an anti-cancer compound in clinical development whose target had remained elusive. We identified and validated DRD2 as ONC201's target, and this information is now being used for precise clinical trial design. Finally, BANDIT identifies connections between different drug classes, elucidating previously unexplained clinical observations and suggesting new drug repositioning opportunities. Overall, BANDIT represents an efficient and accurate platform to accelerate drug discovery and direct clinical application.

Drug repurposing, identifying novel indications for drugs, bypasses common drug development pitfalls to ultimately deliver therapies to patients faster. However, most repurposing discoveries have been led by anecdotal observations (e.g. Viagra) or experimental-based repurposing screens, which are costly, time-consuming, and imprecise. Recently, more systematic computational approaches have been proposed, however these rely on utilizing the information from the diseases a drug is already approved to treat. This inherently limits the algorithms, making them unusable for investigational molecules. Here, we present a computational approach to drug repurposing, CATNIP, that requires only biological and chemical information of a molecule. CATNIP is trained with 2,576 diverse small molecules and uses 16 different drug similarity features, such as structural, target, or pathway based similarity. This model obtains significant predictive power (AUC = 0.841). Using our model, we created a repurposing network to identify broad scale repurposing opportunities between drug types. By exploiting this network, we identified literature-supported repurposing candidates, such as the use of systemic hormonal preparations for the treatment of respiratory illnesses. Furthermore, we demonstrated that we can use our approach to identify novel uses for defined drug classes. We found that adrenergic uptake inhibitors, specifically amitriptyline and trimipramine, could be potential therapies for Parkinson's disease. Additionally, using CATNIP, we predicted the kinase inhibitor, vandetanib, as a possible treatment for Type 2 Diabetes. Overall, this systematic approach to drug repurposing lays the groundwork to streamline future drug development efforts.

Drug target identification is one of the most important aspects of pre-clinical development yet it is also among the most complex, labor-intensive, and costly. This represents a major issue, as lack of proper target identification can be detrimental in determining the clinical application of a bioactive small molecule. To improve target identification, we developed BANDIT, a novel paradigm that integrates multiple data types within a Bayesian machine-learning framework to predict the targets and mechanisms for small molecules with unprecedented accuracy and versatility. Using only public data BANDIT achieved an accuracy of approximately 90% over 2000 different small molecules - substantially better than any other published target identification platform. We applied BANDIT to a library of small molecules with no known targets and generated ~4,000 novel molecule-target predictions. From this set we identified and experimentally validated a set of novel microtubule inhibitors, including three with activity on cancer cells resistant to clinically used anti-microtubule therapies. We next applied BANDIT to ONC201 - an active anti-cancer small molecule in clinical development - whose target has remained elusive since its discovery in 2009. BANDIT identified dopamine receptor 2 as the unexpected target of ONC201, a prediction that we experimentally validated. Not only does this open the door for clinical trials focused on target-based selection of patient populations, but it also represents a novel way to target GPCRs in cancer. Additionally, BANDIT identified previously undocumented connections between approved drugs with disparate indications, shedding light onto previously unexplained clinical observations and suggesting new uses of marketed drugs. Overall, BANDIT represents an efficient and highly accurate platform that can be used as a resource to accelerate drug discovery and direct the clinical application of small molecule therapeutics with improved precision.

Loss-of-function (LoF) screenings have the potential to reveal novel cancer-specific vulnerabilities, prioritize drug treatments, and inform precision medicine therapeutics. These screenings were traditionally done using shRNAs, but with the recent emergence of CRISPR technology there has been a shift in methodology. However, recent analyses have found large inconsistencies between CRISPR and shRNA essentiality results. Here, we examined the DepMap project, the largest cancer LoF effort undertaken to date, and find a lack of correlation between CRISPR and shRNA LoF results; we further characterized differences between genes found to be essential by either platform. We then introduce ECLIPSE, a machine learning approach, which combines genomic, cell line, and experimental design features to predict essential genes and platform specific essential genes in specific cancer cell lines. We applied ECLIPSE to known drug targets and found that our approach strongly differentiated drugs approved for cancer versus those that have not, and can thus be leveraged to identify potential cancer repurposing opportunities. Overall, ECLIPSE allows for a more comprehensive analysis of gene essentiality and drug development; which neither platform can achieve alone.

One of the main causes for failure in the drug development pipeline or withdrawal post approval is the unexpected occurrence of severe drug adverse events. Even though such events should be detected by in vitro, in vivo, and human trials, they continue to unexpectedly arise at different stages of drug development causing costly clinical trial failures and market withdrawal. Inspired by the "moneyball" approach used in baseball to integrate diverse features to predict player success, we hypothesized that a similar approach could leverage existing adverse event and tissue-specific toxicity data to learn how to predict adverse events. We introduce MAESTER, a data-driven machine learning approach that integrates information on a compound's structure, targets, and phenotypic effects with tissue-wide genomic profiling and our toxic target database to predict the probability of a compound presenting with different types of tissue-specific adverse events. When tested on 6 different types of adverse events MAESTER maintains a high accuracy, sensitivity, and specificity across both the training data and new test sets. Additionally, MAESTER scores could flag a number of drugs that were approved, but later withdrawn due to unknown adverse events - highlighting its potential to identify events missed by traditional methods. MAESTER can also be used to identify toxic targets for each tissue type. Overall MAESTER provides a broadly applicable framework to identify toxic targets and predict specific adverse events and can accelerate the drug development pipeline and drive the design of new safer compounds.

Despite its widespread use, the majority of patients with gastric cancer (GC) will not respond to taxane chemotherapy due to resistance mechanisms. Here, we report the discovery of a novel truncated variant of the microtubule plus-end binding protein (+TIP) CLIP-170, hereafter CLIP-170S, whose expression is enriched in taxane resistant cell lines and patients with GC. To establish causation, we knocked-down (KD) CLIP-170S which completely reversed taxane resistance. Mass-spec proteomics and 5′-RACE further showed that CLIP-170S lacked the first 150 amino acids, including the Cap-Gly motif required for microtubule (MT) plus-end localization. Mechanistically, we show that CLIP-170S was mislocalized from the MT plus-end to the MT lattice obstructing the MT pore surface site required for taxane entry into the MT lumen. Computational analysis of RNA-seq data from taxane-sensitive and resistant GC cell lines, predicted imatinib as the top candidate drug to overcome drug resistance. Imatinib treatment completely reversed taxane resistance, as predicted, and did so unexpectedly by selective depletion of CLIP-170S. Importantly, CLIP170S was found to be highly prevalent in tumor biopsies from patients with GC. Taken together, these data identify CLIP-170S as a novel, clinically prevalent +TIP variant that obstructs the MT pore and confers taxane resistance. The discovery of this previously unrecognized variant together with the computational discovery of Imatinib as a selective CLIP-170S inhibitor, implicate the MT pore in clinical taxane resistance and provide new therapeutic opportunities for treatment of GC and beyond.