We performed an extensive immunogenomic analysis of more than 10,000 tumors comprising 33 diverse cancer types by utilizing data compiled by TCGA. Across cancer types, we identified six immune subtypes—wound healing, IFN-γ dominant, inflammatory, lymphocyte depleted, immunologically quiet, and TGF-β dominant—characterized by differences in macrophage or lymphocyte signatures, Th1:Th2 cell ratio, extent of intratumoral heterogeneity, aneuploidy, extent of neoantigen load, overall cell proliferation, expression of immunomodulatory genes, and prognosis. Specific driver mutations correlated with lower (CTNNB1, NRAS, or IDH1) or higher (BRAF, TP53, or CASP8) leukocyte levels across all cancers. Multiple control modalities of the intracellular and extracellular networks (transcription, microRNAs, copy number, and epigenetic processes) were involved in tumor-immune cell interactions, both across and within immune subtypes. Our immunogenomics pipeline to characterize these heterogeneous tumors and the resulting data are intended to serve as a resource for future targeted studies to further advance the field.

It remains unclear whether causal, rather than merely correlational, relationships in molecular networks can be inferred in complex biological settings. Here we describe the HPN-DREAM network inference challenge, which focused on learning causal influences in signaling networks. We used phosphoprotein data from cancer cell lines as well as in silico data from a nonlinear dynamical model. Using the phosphoprotein data, we scored more than 2,000 networks submitted by challenge participants. The networks spanned 32 biological contexts and were scored in terms of causal validity with respect to unseen interventional data. A number of approaches were effective, and incorporating known biology was generally advantageous. Additional sub-challenges considered time-course prediction and visualization. Our results suggest that learning causal relationships may be feasible in complex settings such as disease states. Furthermore, our scoring approach provides a practical way to empirically assess inferred molecular networks in a causal sense.

Abstract Motivation: Identifying the cellular wiring that connects genomic perturbations to transcriptional changes in cancer is essential to gain a mechanistic understanding of disease initiation, progression and ultimately to predict drug response. We have developed a method called Tied Diffusion Through Interacting Events (TieDIE) that uses a network diffusion approach to connect genomic perturbations to gene expression changes characteristic of cancer subtypes. The method computes a subnetwork of protein–protein interactions, predicted transcription factor-to-target connections and curated interactions from literature that connects genomic and transcriptomic perturbations. Results: Application of TieDIE to The Cancer Genome Atlas and a breast cancer cell line dataset identified key signaling pathways, with examples impinging on MYC activity. Interlinking genes are predicted to correspond to essential components of cancer signaling and may provide a mechanistic explanation of tumor character and suggest subtype-specific drug targets. Availability: Software is available from the Stuart lab’s wiki: https://sysbiowiki.soe.ucsc.edu/tiedie. Contact: jstuart@ucsc.edu Supplementary information: Supplementary data are available at Bioinformatics online.

Abstract Pooled CRISPRi-mediated silencing of >1,000 transcriptional regulators expressed in single colorectal adenocarcinoma cells, followed by single-cell RNA-seq profiling at two timepoints, 1 day and 4 days, allowed reverse engineering the underlying tumor context-specific, causal regulatory network. Furthermore, the availability of experimentally derived, highly multiplexed gene reporter assays for each regulator, as identified by this analysis, allowed accurate assessment of differential protein activity following silencing of each regulator, thus providing proof-of-concept for generating comprehensive, tissue-specific networks of transcriptional and post-translational interactions. Analysis of this causal network allowed elucidation of complex autoregulatory mechanisms that have eluded previous computational approaches and supported systematic elucidation of cooperative mechanisms, where one regulatory protein can modulate the activity of another regulatory protein, as well as transcriptional mimicry, where one regulatory protein can phenocopy others.

Tumors frequently harbor isogenic yet epigenetically distinct subpopulations of multi-potent cells with high tumor-initiating potential-often called Cancer Stem-Like Cells (CSLCs). These can display preferential resistance to standard-of-care chemotherapy. Single-cell analyses can help elucidate Master Regulator (MR) proteins responsible for governing the transcriptional state of these cells, thus revealing complementary dependencies that may be leveraged via combination therapy. Interrogation of single-cell RNA sequencing profiles from seven metastatic breast cancer patients, using perturbational profiles of clinically relevant drugs, identified drugs predicted to invert the activity of MR proteins governing the transcriptional state of chemoresistant CSLCs, which were then validated by CROP-seq assays. The top drug, the anthelmintic albendazole, depleted this subpopulation in vivo without noticeable cytotoxicity. Moreover, sequential cycles of albendazole and paclitaxel-a commonly used chemotherapeutic-displayed significant synergy in a patient-derived xenograft (PDX) from a TNBC patient, suggesting that network-based approaches can help develop mechanism-based combinatorial therapies targeting complementary subpopulations.

Glioblastoma heterogeneity and plasticity remain controversial, with proposed subtypes representing the average of highly heterogeneous admixtures of independent transcriptional states. Single-cell, protein-activity-based analysis allowed full quantification of >6,000 regulatory and signaling proteins, thus providing a previously unattainable single-cell characterization level. This helped identify four novel, molecularly distinct subtypes that successfully harmonize across multiple GBM datasets, including previously published bulk and single-cell profiles and single cell profiles from seven orthotopic PDX models, representative of prior subtype diversity. GBM is thus characterized by the plastic coexistence of single cells in two mutually-exclusive developmental lineages, with additional stratification provided by their proliferative potential. Consistently, all previous subtypes could be recapitulated by single-cell mixtures drawn from newly identified states. Critically, drug sensitivity was predicted and validated as highly state- dependent, both in single-cell assays from patient-derived explants and in PDX models, suggesting that successful treatment requires combinations of multiple drugs targeting these distinct tumor states.

Despite considerable pan-cancer efforts, the link between genomics and transcriptomics in cancer remains relatively weak and mostly based on statistical rather than mechanistic principles. By performing integrative analysis of transcriptomic and mutational profiles on a sample-by-sample basis, via regulatory/signaling networks, we identified a repertoire of 407 Master-Regulator proteins responsible for canalizing the genetics of 20 TCGA cohorts into 112 transcriptionally- distinct tumor subtypes. Further analysis highlighted a highly-recurrent regulatory architecture (oncotecture) with Master-Regulators organized into 24 modular MR-Blocks, regulating highly-specific tumor-hallmark functions and predictive of patient outcome. Critically, >50% of the somatic alterations identified in individual samples were in proteins affecting Master-Regulator activity, thus yielding novel insight into mechanisms linking tumor genetics and transcriptional identity and establishing novel non-oncogene dependencies. Experimental validation of functional mutations upstream of the most conserved MR-Block confirmed their ability to affect MR-protein activity, suggesting that the proposed methodology may effectively complement and extend current pan-cancer knowledge.