SUMMARY The phenotype of a cell and its underlying molecular state is strongly influenced by extracellular signals, including growth factors, hormones, and extracellular matrix. While these signals are normally tightly controlled, their dysregulation leads to phenotypic and molecular states associated with diverse diseases. To develop a detailed understanding of the linkage between molecular and phenotypic changes, we generated a comprehensive dataset that catalogs the transcriptional, proteomic, epigenomic and phenotypic responses of MCF10A mammary epithelial cells after exposure to the ligands EGF, HGF, OSM, IFNG, TGFB and BMP2. Systematic assessment of the molecular and cellular phenotypes induced by these ligands comprise the LINCS Microenvironment (ME) perturbation dataset, which has been curated and made publicly available for community-wide analysis and development of novel computational methods ( synapse.org/LINCS_MCF10A ). In illustrative analyses, we demonstrate how this dataset can be used to discover functionally related molecular features linked to specific cellular phenotypes.

ABSTRACT Identifying effective therapeutic strategies that can prevent tumor cell proliferation is a major challenge to improving outcomes for patients with breast cancer. Here we sought to deepen our understanding of how clinically relevant anti-cancer agents modulate cell cycle progression. We genetically engineered breast cancer cell lines to express a cell cycle reporter and then tracked drug-induced changes in cell number and cell cycle phase, which revealed drug-specific cell cycle effects that varied across time. This suggested that a computational model that could account for cell cycle phase durations would provide a framework to explore drug-induced changes in cell cycle changes. Toward that goal, we developed a linear chain trick (LCT) computational model, in which the cell cycle was partitioned into subphases that faithfully captured drug-induced dynamic responses. The model inferred drug effects and localized them to specific cell cycle phases, which we confirmed experimentally. We then used our LCT model to predict the effect of unseen drug combinations that target cells in different cell cycle phases. Experimental testing confirmed several model predictions and identified combination treatment strategies that may improve therapeutic response in breast cancer patients. Overall, this integrated experimental and modeling approach opens new avenues for assessing drug responses, predicting effective drug combinations, and identifying optimal drug sequencing strategies.

ABSTRACT Paclitaxel is a standard of care neoadjuvant therapy for patients with triple negative breast cancer (TNBC); however, it shows limited benefit for locally advanced or metastatic disease. Here we used a coordinated experimental-computational approach to explore the influence of paclitaxel on the cellular and molecular responses of TNBC cells. We found that escalating doses of paclitaxel resulted in multinucleation, promotion of senescence, and initiation of DNA damage induced apoptosis. Single-cell RNA sequencing (scRNA-seq) of TNBC cells after paclitaxel treatment revealed upregulation of innate immune programs canonically associated with interferon response and downregulation of cell cycle progression programs. Systematic exploration of transcriptional responses to paclitaxel and cancer-associated microenvironmental factors revealed common gene programs induced by paclitaxel, IFNB, and IFNG. Transcription factor (TF) enrichment analysis identified 13 TFs that were both enriched based on activity of downstream targets and also significantly upregulated after paclitaxel treatment. Functional assessment with siRNA knockdown confirmed that the TFs FOSL1, NFE2L2 and ELF3 mediate cellular proliferation and also regulate nuclear structure. We further explored the influence of these TFs on paclitaxel-induced cell cycle behavior via live cell imaging, which revealed altered progression rates through G1, S/G2 and M phases. We found that ELF3 knockdown synergized with paclitaxel treatment to lock cells in a G1 state and prevent cell cycle progression. Analysis of publicly available breast cancer patient data showed that high ELF3 expression was associated with poor prognosis and enrichment programs associated with cell cycle progression. Together these analyses disentangle the diverse aspects of paclitaxel response and identify ELF3 upregulation as a putative biomarker of paclitaxel resistance in TNBC.