SUMMARY Pancreatic Ductal Adenocarcinoma (PDAC) is a lethal disease with limited treatment options and poor survival. We studied 73 samples from 21 patients (7 treatment-naïve and 14 treated with neoadjuvant regimens), analyzing distinct spatial units and performing bulk proteogenomics, single cell sequencing, and cellular imaging. Spatial drivers, including mutant KRAS , SMAD4 , and GNAQ, were associated with differential phosphosignaling and metabolic responses compared to wild type. Single cell subtyping discovered 12 of 21 tumors with mixed basal and classical features. Trefoil factor family members were upregulated in classical populations, while the basal populations showed enhanced expression of mesenchymal genes, including VIM and IGTB1 . Acinar-ductal metaplasia (ADM) populations, present in 95% of patients, with 46% reduction of driver mutation fractions compared to tumor populations, exhibited suppressive and oncogenic features linked to morphologic states. We identified coordinated expression of TIGIT in exhausted and regulatory T cells and Nectin receptor expression in tumor cells. Higher expression of angiogenic and stress response genes in dendritic cells compared to tumor cells suggests they have a pro-tumorigenic role in remodeling the microenvironment. Treated samples contain a three-fold enrichment of inflammatory CAFs when compared to untreated samples, while other CAF subtypes remain similar. A subset of tumor and/or ADM-specific biomarkers showed differential expression between treatment groups, and several known drug targets displayed potential cross-cell type reactivities. This resolution that spatially defined single cell omics provides reveals the diversity of tumor and microenvironment populations in PDAC. Such understanding may lead to more optimal treatment regimens for patients with this devastating disease. HIGHLIGHTS Acinar-ductal metaplasia (ADM) cells represent a genetic and morphologic transition state between acinar and tumor cells. Inflammatory cancer associated fibroblasts (iCAFs) are a major component of the PDAC TME and are significantly higher in treated samples Receptor-ligand analysis reveals tumor cell-TME interactions through NECTIN4-TIGIT Tumor and ADM cell proteogenomics differ between treated and untreated samples, with unique and shared potential drug targets

Patient-derived xenografts (PDXs) are resected human tumors engrafted into mice for preclinical studies and therapeutic testing. It has been proposed that the mouse host affects tumor evolution during PDX engraftment and propagation, impacting the accuracy of PDX modeling of human cancer. Here we exhaustively analyze copy number alterations (CNAs) in 1451 PDX and matched patient tumor (PT) samples from 509 PDX models. CNA inferences based on DNA sequencing and microarray data displayed substantially higher resolution and dynamic range than gene expression-based inferences, and they also showed strong CNA conservation from PTs through late-passage PDXs. CNA recurrence analysis of 130 colorectal and breast PT/PDX-early/PDX-late trios confirmed high-resolution CNA retention. We observed no significant enrichment of cancer-related genes in PDX-specific CNAs across models. Moreover, CNA differences between patient and PDX tumors were comparable to variations in multi-region samples within patients. Our study demonstrates the lack of systematic copy number evolution driven by the PDX mouse host.

More than 50 genes are recurrently affected by somatic mutation in estrogen receptor positive (ER+) breast cancer but prognostic effects have not been definitively established. Primary tumor DNA was therefore subjected to targeted sequencing from 625 postmenopausal (UBC-TAM series) and 328 premenopausal hormonal receptor-positive (HR+) patients (MA12 trial). Independent validation of prognostic interactions were achieved with public data from the METABRIC study. Associations between MAP3K1 and PIK3CA with luminal A status and TP53 mutations with Luminal B/Non-luminal tumors were observed, validating the methodological approach. In UBC-TAM, NF1 frame-shift nonsense (FS/NS) mutations were validated as poor outcome drivers. For MA12, poor outcomes associated with PIK3R1 mutation were similarly validated. DDR1 mutations were strongly associated with poor prognosis in UBC-TAM with false-discovery correction (q=0.0003). In conclusion, the tail of uncommon recurrent somatic mutations should be further explored to create a more complete explanation of the highly variable outcomes that typify ER+ breast cancer.

Patient-Derived Xenografts (PDXs) are tumor-in-mouse models for cancer. PDX collections, such as those supported by the NCI PDXNet program, are powerful resources for preclinical therapeutic testing. However, variations in experimental design and analysis procedures have limited interpretability. To determine the robustness of PDX studies, the PDXNet tested temozolomide drug response for three pre-validated PDX models (sensitive, resistant, and intermediate) across four blinded PDX Development and Trial Centers (PDTCs) using independently selected SOPs. Each PDTC was able to correctly identify the sensitive, resistant, and intermediate models, and statistical evaluations were concordant across all groups. We also developed and benchmarked optimized PDX informatics pipelines, and these yielded robust assessments across xenograft biological replicates. These studies show that PDX drug responses and sequence results are reproducible across diverse experimental protocols. Here we share the range of experimental procedures that maintained robustness, as well as standardized cloud-based workflows for PDX exome-seq and RNA-Seq analysis and for evaluating growth.

ABSTRACT Breast cancer is a heterogeneous disease, and treatment is guided by biomarker profiles representing distinct molecular subtypes. Breast cancer arises from the breast ductal epithelium, and experimental data suggests breast cancer subtypes have different cells of origin within that lineage. The precise cells of origin for each subtype and the transcriptional networks that characterize these tumor-normal lineages are not established. In this work, we applied bulk, single-cell (sc), and single-nucleus (sn) multi-omic techniques as well as spatial transcriptomics and multiplex imaging on 61 samples from 37 breast cancer patients to show characteristic links in gene expression and chromatin accessibility between breast cancer subtypes and their putative cells of origin. We applied the PAM50 subtyping algorithm in tandem with bulk RNA-seq and snRNA-seq to reliably subtype even low-purity tumor samples and confirm promoter accessibility using snATAC. Trajectory analysis of chromatin accessibility and differentially accessible motifs clearly connected progenitor populations with breast cancer subtypes supporting the cell of origin for basal-like and luminal A and B tumors. Regulatory network analysis of transcription factors underscored the importance of BHLHE40 in luminal breast cancer and luminal mature cells, and KLF5 in basal-like tumors and luminal progenitor cells. Furthermore, we identify key genes defining the basal-like ( PRKCA , SOX6 , RGS6 , KCNQ3 ) and luminal A/B ( FAM155A , LRP1B ) lineages, with expression in both precursor and cancer cells and further upregulation in tumors. Exhausted CTLA4-expressing CD8+ T cells were enriched in basal-like breast cancer, suggesting altered means of immune dysfunction among breast cancer subtypes. We used spatial transcriptomics and multiplex imaging to provide spatial detail for key markers of benign and malignant cell types and immune cell colocation. These findings demonstrate analysis of paired transcription and chromatin accessibility at the single cell level is a powerful tool for investigating breast cancer lineage development and highlight transcriptional networks that define basal and luminal breast cancer lineages.

Abstract Patient-derived xenografts (PDXs) model human intra-tumoral heterogeneity in the context of the intact tissue of immunocompromised mice. Histological imaging via hematoxylin and eosin (H&E) staining is performed on PDX samples for routine assessment and, in principle, captures the complex interplay between tumor and stromal cells. Deep learning (DL)-based analysis of large human H&E image repositories has extracted inter-cellular and morphological signals correlated with disease phenotype and therapeutic response. Here, we present an extensive, pan-cancer repository of nearly 1,000 PDX and paired human progenitor H&E images. These images, curated from the PDXNet consortium, are associated with genomic and transcriptomic data, clinical metadata, pathological assessment of cell composition, and, in several cases, detailed pathological annotation of tumor, stroma, and necrotic regions. We demonstrate that DL can be applied to these images to classify tumor regions and to predict xenograft-transplant lymphoproliferative disorder, the unintended outgrowth of human lymphocytes at the transplantation site. This repository enables PDX-specific, investigations of cancer biology through histopathological analysis and contributes important model system data that expand on existing human histology repositories. We expect the PDXNet Image Repository to be valuable for controlled digital pathology analysis, both for the evaluation of technical issues such as stain normalization and for development of novel computational methods based on spatial behaviors within cancer tissues.