Summary

 Cancer cells enter a reversible drug-tolerant persister (DTP) state to evade death from chemotherapy and targeted agents. It is increasingly appreciated that DTPs are important drivers of therapy failure and tumor relapse. We combined cellular barcoding and mathematical modeling in patient-derived colorectal cancer models to identify and characterize DTPs in response to chemotherapy. Barcode analysis revealed no loss of clonal complexity of tumors that entered the DTP state and recurred following treatment cessation. Our data fit a mathematical model where all cancer cells, and not a small subpopulation, possess an equipotent capacity to become DTPs. Mechanistically, we determined that DTPs display remarkable transcriptional and functional similarities to diapause, a reversible state of suspended embryonic development triggered by unfavorable environmental conditions. Our study provides insight into how cancer cells use a developmentally conserved mechanism to drive the DTP state, pointing to novel therapeutic opportunities to target DTPs.

ABSTRACT Resistance to targeted therapies is an important clinical problem in HER2-positive (HER2+) breast cancer. “Drug-tolerant persisters” (DTPs), a sub-population of cancer cells that survive via reversible, non-genetic mechanisms, are implicated in resistance to tyrosine kinase inhibitors (TKIs) in other malignancies, but DTPs following HER2 TKI exposure have not been well characterized. We found that HER2 TKIs evoke DTPs with a luminal-like or a mesenchymal-like transcriptome. Lentiviral barcoding/single cell RNA-sequencing reveal that HER2+ breast cancer cells cycle stochastically through a “pre-DTP” state, characterized by a G 0 -like expression signature and enriched for diapause and/or senescence genes. Trajectory analysis/cell sorting show that pre-DTPs preferentially yield DTPs upon HER2 TKI exposure. Cells with similar transcriptomes are present in HER2+ breast tumors and are associated with poor TKI response. Finally, biochemical experiments indicate that luminal-like DTPs survive via estrogen receptor-dependent induction of SGK3, leading to rewiring of the PI3K/AKT/mTORC1 pathway to enable AKT-independent mTORC1 activation. STATEMENT OF SIGNIFICANCE DTPs are implicated in resistance to TKIs, other targeted therapies, and chemotherapy, but their ontogeny and vulnerabilities remain unclear. We find that HER2 TKI-DTPs emerge from stochastically arising primed cells (“pre-DTPs”) that preferentially engage either of two distinct transcriptional programs upon TKI exposure. Our results provide new insights into DTP ontogeny and identify potential therapeutic vulnerabilities.

Abstract Recurrence of solid tumors renders patients vulnerable to a distinctly advanced, highly treatment-refractory disease state that has an increased mutational burden and novel oncogenic drivers not detected at initial diagnosis. Improving outcomes for recurrent cancers requires a better understanding of cancer cell populations that expand from the post-therapy, minimal residual disease (MRD) state. We profiled barcoded tumor stem cell populations through therapy at tumor initiation/engraftment, MRD and recurrence in our therapy-adapted, patient-derived xenograft models of glioblastoma (GBM). Tumors showed distinct patterns of recurrence in which clonal populations exhibited either an a priori , pre-existing fitness advantage, or a priori equipotency fitness acquired through therapy. Characterization of the MRD state by single-cell and bulk RNA sequencing revealed a tumor-intrinsic immunomodulatory signature with strong prognostic significance at the transcriptomic level and in proteomic analysis of cerebrospinal fluid (CSF) collected from GBM patients at all stages of disease. Our results provide insight into the innate and therapy-driven dynamics of human GBM, and the prognostic value of interrogating the MRD state in solid cancers.

Abstract Today’s single-cell RNA (scRNA) datasets remain siloed, due to significant challenges associated with their integration at scale. Moreover, most scRNA analysis tools that operate at scale leverage supervised techniques that are insufficient for cell-type identification and discovery. Here we demonstrate that alignment of scRNA data using unsupervised models is accurate at both an organism wide scale and between species. To do this we show how adversarial training of a deep-learning model we term batch-adversarial single-cell variational inference (BA-scVI) can be employed to align standardized benchmark datasets that comprise dozens of scRNA studies and span tissues in both humans and mice. Analysis of the learnt cell-type space then enables us to identify evolutionarily conserved cell-types, including underappreciated complement expressing macrophage and fibroblast types, paving the way to larger phylogenetic analysis of cell-type evolution. Finally, we provide broad access to scREF, scREF-mu and the BA-scVI model via an online interface for atlas exploration and drag-and-drop alignment of new data.