ABSTRACT Spheroids and organoids are increasingly popular three-dimensional (3D) cell culture models. Spheroid models are more physiologically relevant to a tumour compared to two-dimensional (2D) cultures and organoids are a simplified version of an organ with similar composition. Both can be used in cell migration studies, disease modelling and drug discovery. A drawback of these models is, however, the lack of appropriate analytical tools for high throughput imaging and analysis over a time course. To address this, we have developed an R Shiny app called SpheroidAnalyseR: a simple, fast, effective open-source app that allows the analysis of spheroid or organoid size data generated in a 96-well format. SpheroidAnalyseR processes and analyses datasets of image measurements that can be obtained via a bespoke software, described herein, that automates spheroid imaging and quantification using the Nikon A1R Confocal Laser Scanning Microscope. However, templates are provided to enable users to input spheroid image measurements obtained by user-preferred methods. SpheroidAnalyseR facilitates outlier identification and removal followed by graphical visualisation of spheroid measurements across multiple predefined parameters such as time, cell-type and treatment(s). Spheroid imaging and analysis can, thus, be reduced from hours to minutes, removing the requirement for substantial manual data manipulation in a spreadsheet application. The combination of spheroid generation in 96-well ultra-low attachment microplates, imaging using our bespoke software, and analysis using SpheroidAnalyseR toolkit allows high throughput, longitudinal quantification of 3D spheroid growth whilst minimising user input and significantly improving the efficiency and reproducibility of data analysis. Our bespoke imaging software is available from https://github.com/GliomaGenomics . SpheroidAnalyseR is available at https://spheroidanalyser7.azurewebsites.net , and the source code found at https://github.com/GliomaGenomics . Abstract Figure Graphical abstract - SpheroidAnalyseR main steps. A summary of the process followed within the SpheroidAnalyseR app. Dotted boxes are the steps required to produce the input data for SpheroidAnalyseR. Solid boxes show the 5 main steps of SpheroidAnalyseR: Data input, Preview, Outlier removal, Merging and Plotting.

Abstract Glioblastoma (GBM) brain tumours lacking IDH1 mutations (IDHwt) have the worst prognosis of all brain neoplasms. Patients receive surgery and chemoradiotherapy but tumours almost always fatally recur. Using RNAseq data from 107 pairs of pre- and post-standard treatment locally recurrent IDHwt GBM tumours, we identified two responder subtypes based on therapy-driven changes in gene expression. In two thirds of patients a specific subset of genes is up-regulated from primary to recurrence (Up responders) and in one third the same genes are down-regulated (Down responders). Characterisation of the responder subtypes indicates subtype-specific adaptive treatment resistance mechanisms. In Up responders treatment enriches for quiescent proneural GBM stem cells and differentiated neoplastic cells with increased neurotransmitter signalling, whereas Down responders commonly undergo therapy-driven mesenchymal transition. Stratifying GBM tumours by response subtype may lead to more effective treatment. In support of this, modulators of gamma aminobutyric acid (GABA) neurotransmitter signalling differentially sensitise Up and Down responder GBM models to standard treatment in vitro .