Screening drugs on patient biopsies from solid tumours has immense potential, but is challenging due to the small amount of available material. To address this, we present here a plug-based microfluidics platform for functional screening of drug combinations. Integrated Braille valves allow changing the plug composition on demand and enable collecting >1200 data points (56 different conditions with at least 20 replicates each) per biopsy. After deriving and validating efficient and specific drug combinations for two genetically different pancreatic cancer cell lines and xenograft mouse models, we additionally screen live cells from human solid tumours with no need for ex vivo culturing steps, and obtain highly specific sensitivity profiles. The entire workflow can be completed within 48 h at assay costs of less than US$ 150 per patient. We believe this can pave the way for rapid determination of optimal personalized cancer therapies.

Abstract Purpose Predictive biomarkers of immune checkpoint inhibitors (ICIs) efficacy are currently lacking for non-small cell lung cancer (NSCLC). Here, we describe the results from the Anti–PD-1 Response Prediction DREAM Challenge, a crowdsourced initiative that enabled the assessment of predictive models by using data from two randomized controlled clinical trials (RCTs) of ICIs in first-line metastatic NSCLC. Methods Participants developed and trained models using public resources. These were evaluated with data from the CheckMate 026 trial ( NCT02041533 ), according to the model-to-data paradigm to maintain patient confidentiality. The generalizability of the models with the best predictive performance was assessed using data from the CheckMate 227 trial ( NCT02477826 ). Both trials were phase III RCTs with a chemotherapy control arm, which supported the differentiation between predictive and prognostic models. Isolated model containers were evaluated using a bespoke strategy that considered the challenges of handling transcriptome data from clinical trials. Results A total of 59 teams participated, with 417 models submitted. Multiple predictive models, as opposed to a prognostic model, were generated for predicting overall survival, progression-free survival, and progressive disease status with ICIs. Variables within the models submitted by participants included tumor mutational burden (TMB), programmed death ligand 1 (PD-L1) expression, and gene-expression–based signatures. The bestperforming models showed improved predictive power over reference variables, including TMB or PD-L1. Conclusion This DREAM Challenge is the first successful attempt to use protected phase III clinical data for a crowdsourced effort towards generating predictive models for ICIs clinical outcomes and could serve as a blueprint for similar efforts in other tumor types and disease states, setting a benchmark for future studies aiming to identify biomarkers predictive of ICIs efficacy. Context summary Key objective Not all patients with non-small cell lung cancer (NSCLC) eligible for immune checkpoint inhibitor (ICIs) respond to treatment, but accurate predictive biomarkers of ICIs clinical outcomes are currently lacking. This crowdsourced initiative enabled the robust assessment of predictive models using data from two randomized clinical trials of first-line ICI in metastatic NSCLC. Knowledge generated Models submitted indicate that a combination of programmed death ligand 1 (PD-L1), tumor mutational burden (TMB), and immune gene signatures might be able to identify patients more likely to respond to ICIs. TMB and PD-L1 seemed important to predict progression-free survival and overall survival. Mechanisms including apoptosis, T-cell crosstalk, and adaptive immune resistance appeared essential to predict response. Relevance

Abstract Immunotherapy with immune checkpoint blockers (ICB) is associated with striking clinical success, but only in a small fraction of patients. Thus, we need computational biomarker-based methods that can anticipate which patients will respond to treatment. Current established biomarkers are imperfect due to their incomplete view of the tumor and its microenvironment. We have recently presented a novel approach that integrates transcriptomics data with biological knowledge to study tumors at a more holistic level. Validated in four different solid cancers, our approach outperformed the state-of-the-art methods to predict response to ICB. Here, we introduce e stim at e s ystems i mmun e r esponse ( easier ), an R/Bioconductor package that applies our approach to quantify biomarkers and assess patients’ likelihood to respond to immunotherapy, providing just the patients’ baseline bulk-tumor RNA-sequencing (RNA-seq) data as input.

Mechanistic modeling of signaling pathways mediating patient-specific response to therapy can help to unveil resistance mechanisms and improve therapeutic strategies. Yet, creating such models for patients, in particular for solid malignancies, is challenging. A major hurdle to build these models is the limited material available, that precludes the generation of large-scale perturbation data. Here, we present an approach that couples ex vivo high-throughput screenings of cancer biopsies using microfluidics with logic-based modeling to generate patient-specific dynamic models of extrinsic and intrinsic apoptosis signaling pathways. We used the resulting models to investigate heterogeneity in pancreatic cancer patients, showing dissimilarities especially in the PI3K-Akt pathway. Variation in model parameters reflected well the different tumor stages. Finally, we used our dynamic models to efficaciously predict new personalized combinatorial treatments. Our results suggest our combination of microfluidic experiments and mathematical model can be a novel tool toward cancer precision medicine.

Therapies targeting specific molecular processes, in particular kinases, are major strategies to treat cancer. Genomic features are commonly used as biomarkers for drug sensitivity, but our ability to stratify patients based on these features is still limited. As response to kinase inhibitors is a dynamic process affecting largely signal transduction, we investigated the association between cell-specific dynamic signaling pathways and drug sensitivity. We measured 14 phosphoproteins under 43 different perturbed conditions (combination of 5 stimuli and 7 inhibitors) for 14 colorectal cancer cell-lines, and built cell-line-specific dynamic logic models of the underlying signaling network. Model parameters, representing pathway dynamics, were used as features to predict sensitivity to a panel of 27 drugs. This analysis revealed associations between cell-specific signaling pathways and drug sensitivity for 14 of the drugs, 9 of which have no genomic biomarker. Following one of these associations, we validated a drug combination predicted to overcome resistance to MEK inhibitors by co-blockade of GSK3. These results underscore the value of perturbation-based studies to find biomarkers and combination therapies complementing those based on a static genomic characterization.

Functional screening of live patient cancer cells holds great potential for personalized medicine and allows to overcome the limited translatability of results from existing in-vitro and ex-vivo screening models. Here we present a plug-based microfluidics approach enabling the testing of drug combinations directly on cancer cells from patient biopsies. The entire procedure takes less than 48 hours after surgery and does not require ex vivo cultivation. We screened more than 1100 samples for different primary human tumors (each with 56 conditions and at least 20 replicates), and obtained highly specific sensitivity profiles. This approach allowed us to derive optimal treatment options which we further validated in two different pancreatic cancer cell lines. This workflow should pave the way for rapid determination of optimal personalized cancer therapies at assay costs of less than US$ 150 per patient.

Abstract Inhibiting androgen receptor (AR) signaling through androgen deprivation therapy (ADT) reduces prostate cancer (PCa) growth in virtually all patients, but response is temporary, and resistance inevitably develops, ultimately leading to lethal castration-resistant prostate cancer (CRPC). The tumor microenvironment (TME) plays an important role in the development and progression of PCa. In addition to tumor cells, TME-resident macrophages and fibroblasts express AR and are therefore also affected by ADT. However, the interplay of different TME cell types in the development of CRPC remains largely unexplored. To understand the complex stochastic nature of cell-cell interactions, we created a PCa-specific agent-based model (PCABM) based on in vitro cell proliferation data. PCa cells, fibroblasts, “pro-inflammatory” M1-like and “pro-tumor” M2-like polarized macrophages are modeled as agents from a simple set of validated base assumptions. PCABM allows us to simulate the effect of ADT on the interplay between various prostate TME cell types. The resulting in vitro growth patterns mimic human PCa. Our PCABM can effectively model hormonal perturbations by ADT, in which PCABM suggests that CRPC arises in clusters of resistant cells, as is observed in multifocal PCa. In addition, fibroblasts compete for cellular space in the TME while simultaneously creating niches for tumor cells to proliferate in. Finally, PCABM predicts that ADT has immunomodulatory effects on macrophages that may enhance tumor survival. Taken together, these results suggest that AR plays a critical role in the cellular interplay and stochastic interactions in the TME that influence tumor cell behavior and CRPC development.

Abstract Cell-cell interaction networks are pivotal in cancer development and treatment response. These networks can be inferred from data; however, this process often combines data from multiple patients, and/or creates networks on a cell-types level. It creates a good average overview of cell-cell interaction networks but fails to capture patient heterogeneity and/or masks potentially relevant local network structures. We propose a mathematical model based on random graphs (called RaCInG) to alleviate these issues using prior knowledge on potential cellular interactions and patient’s bulk RNA-seq data. We have applied RaCInG to extract 444 network features related to the tumor microenvironment, unveiled associations with immune response and subtypes, and identified cancer-type specific differences in inter-cellular signaling. Additionally, we have used RaCInG to explain how immune phenotypes regulated by context-specific intercellular communication affect immunotherapy response. RaCInG is a modular pipeline, and we envision its application for cell-cell interaction reconstruction in different contexts.

Abstract Over ten percent of men will be diagnosed with prostate cancer (PCa) during their lifetime. Arising from luminal cells of the prostatic acinus, PCa is influenced by multiple cells in its microenvironment. To expand our knowledge and explore means to prevent and treat the disease, it is important to understand what drives the onset and early stages of PCa. In this study, we developed an agent-based model of a prostatic acinus including its microenvironment, to allow for in silico studying of PCa development. The model was based on prior reports and in-house data of tumor cells co-cultured with Cancer Associated Fibroblasts (CAFs) and pro-tumor and/or anti-tumor macrophages. Growth patterns depicted by the model were pathologically validated on H&E slide images of human PCa specimens. We identified that stochasticity of interactions between macrophages and tumor cells at early stages strongly affect tumor development. Additionally, we discovered that more systematic deviations in tumor development result from a combinatorial effect of the probability of acquiring mutations and the tumor-promoting abilities of CAFs and macrophages. In silico modeled tumors were then compared with 494 cancer patients with matching characteristics, showing strong association between predicted tumor load and patients’ clinical outcome. Our findings suggest that the likelihood of tumor formation depends on a combination of stochastic events and systematic characteristics. While stochasticity cannot be controlled, information on systematic effects may aid the development of prevention strategies tailored to the molecular characteristics of an individual patient.

SUMMARY Cancer cells can leverage several cell-intrinsic and -extrinsic mechanisms to escape immune system recognition. The inherent complexity of the tumor microenvironment, with its multicellular and dynamic nature, poses great challenges for the extraction of biomarkers of immune response and immunotherapy efficacy. Here, we use RNA-seq data combined with different sources of prior-knowledge to derive system-based signatures of the tumor microenvironment, quantifying immune-cell composition and intra- and inter-cellular communications. We applied multi-task learning to these signatures to predict different hallmarks of immune responses and derive cancer-type-specific models based on interpretable systems biomarkers. By applying our models to independent RNA-seq data from cancer patients treated with PD-1 inhibitors, we demonstrated that our method to Estimate Systems Immune Response (EaSIeR) accurately predicts therapeutic outcome. We anticipate that EaSIeR will be a valuable tool to provide a holistic description of immune responses in complex and dynamic systems such as tumors using available RNA-seq data.