Massively parallel DNA sequencing technologies provide an unprecedented ability to screen entire genomes for genetic changes associated with tumour progression. Here we describe the genomic analyses of four DNA samples from an African-American patient with basal-like breast cancer: peripheral blood, the primary tumour, a brain metastasis and a xenograft derived from the primary tumour. The metastasis contained two de novo mutations and a large deletion not present in the primary tumour, and was significantly enriched for 20 shared mutations. The xenograft retained all primary tumour mutations and displayed a mutation enrichment pattern that resembled the metastasis. Two overlapping large deletions, encompassing CTNNA1, were present in all three tumour samples. The differential mutation frequencies and structural variation patterns in metastasis and xenograft compared with the primary tumour indicate that secondary tumours may arise from a minority of cells within the primary tumour. With the latest DNA sequencing technologies it is now possible to screen an entire genome for the genetic changes associated with tumour progression. This approach has been used to obtain complete sequences of four DNA samples from a 44-year-old African-American patient with basal-like breast cancer: the primary tumour, peripheral blood, a brain metastasis and a first-passage xenograft derived from the primary tumour. Mutational analysis suggests that the metastasis tumour specifically selects a subset of cells from the primary tumour that contain pre-existing mutations, and also develops a small number of de novo mutations. Massively parallel DNA sequencing allows entire genomes to be screened for genetic changes associated with tumour progression. Here, the genomes of four DNA samples from a 44-year-old African-American patient with basal-like breast cancer were analysed. The samples came from peripheral blood, the primary tumour, a brain metastasis and a xenograft derived from the primary tumour. The findings indicate that cells with a distinct subset of the primary tumour mutation might be selected during metastasis and xenografting.

Data from 8 breast cancer genome-sequencing projects identified 25 patients with HER2 somatic mutations in cancers lacking HER2 gene amplification. To determine the phenotype of these mutations, we functionally characterized 13 HER2 mutations using in vitro kinase assays, protein structure analysis, cell culture, and xenograft experiments. Seven of these mutations are activating mutations, including G309A, D769H, D769Y, V777L, P780ins, V842I, and R896C. HER2 in-frame deletion 755-759, which is homologous to EGF receptor (EGFR) exon 19 in-frame deletions, had a neomorphic phenotype with increased phosphorylation of EGFR or HER3. L755S produced lapatinib resistance, but was not an activating mutation in our experimental systems. All of these mutations were sensitive to the irreversible kinase inhibitor, neratinib. These findings show that HER2 somatic mutation is an alternative mechanism to activate HER2 in breast cancer and they validate HER2 somatic mutations as drug targets for breast cancer treatment.We show that the majority of HER2 somatic mutations in breast cancer patients are activating mutations that likely drive tumorigenesis. Several patients had mutations that are resistant to the reversible HER2 inhibitor lapatinib, but are sensitive to the irreversible HER2 inhibitor, neratinib. Our results suggest that patients with HER2 mutation–positive breast cancers could benefit from existing HER2-targeted drugs.

To characterize patient-derived xenografts (PDXs) for functional studies, we made whole-genome comparisons with originating breast cancers representative of the major intrinsic subtypes. Structural and copy number aberrations were found to be retained with high fidelity. However, at the single-nucleotide level, variable numbers of PDX-specific somatic events were documented, although they were only rarely functionally significant. Variant allele frequencies were often preserved in the PDXs, demonstrating that clonal representation can be transplantable. Estrogen-receptor-positive PDXs were associated with ESR1 ligand-binding-domain mutations, gene amplification, or an ESR1/YAP1 translocation. These events produced different endocrine-therapy-response phenotypes in human, cell line, and PDX endocrine-response studies. Hence, deeply sequenced PDX models are an important resource for the search for genome-forward treatment options and capture endocrine-drug-resistance etiologies that are not observed in standard cell lines. The originating tumor genome provides a benchmark for assessing genetic drift and clonal representation after transplantation.

Protein abundance and phosphorylation convey important information about pathway activity and molecular pathophysiology in diseases including cancer, providing biological insight, informing drug and diagnostic development, and guiding therapeutic intervention. Analyzed tissues are usually collected without tight regulation or documentation of ischemic time. To evaluate the impact of ischemia, we collected human ovarian tumor and breast cancer xenograft tissue without vascular interruption and performed quantitative proteomics and phosphoproteomics after defined ischemic intervals. Although the global expressed proteome and most of the >25,000 quantified phosphosites were unchanged after 60 min, rapid phosphorylation changes were observed in up to 24% of the phosphoproteome, representing activation of critical cancer pathways related to stress response, transcriptional regulation, and cell death. Both pan-tumor and tissue-specific changes were observed. The demonstrated impact of pre-analytical tissue ischemia on tumor biology mandates caution in interpreting stress-pathway activation in such samples and motivates reexamination of collection protocols for phosphoprotein analysis.

The integration of mass spectrometry-based proteomics with next-generation DNA and RNA sequencing profiles tumors more comprehensively. Here this "proteogenomics" approach was applied to 122 treatment-naive primary breast cancers accrued to preserve post-translational modifications, including protein phosphorylation and acetylation. Proteogenomics challenged standard breast cancer diagnoses, provided detailed analysis of the ERBB2 amplicon, defined tumor subsets that could benefit from immune checkpoint therapy, and allowed more accurate assessment of Rb status for prediction of CDK4/6 inhibitor responsiveness. Phosphoproteomics profiles uncovered novel associations between tumor suppressor loss and targetable kinases. Acetylproteome analysis highlighted acetylation on key nuclear proteins involved in the DNA damage response and revealed cross-talk between cytoplasmic and mitochondrial acetylation and metabolism. Our results underscore the potential of proteogenomics for clinical investigation of breast cancer through more accurate annotation of targetable pathways and biological features of this remarkably heterogeneous malignancy.

ABSTRACT Purpose We sought to exploit the heterogeneity afforded by patient-derived tumor xenografts (PDX) to optimize robust radiomic features associated with response to therapy in the context of a co-clinical trial and implement PDX-optimized image features in the corresponding clinical study to predict and assess response to therapy using machine-learning (ML) algorithms. Methods TNBC patients and subtype-matched PDX were recruited into a co-clinical FDG-PET imaging study to predict response to therapy. One hundred thirty-one imaging features were extracted from PDX and human segmented tumors. Robust image features were identified based on reproducibility, cross-correlation, and volume independence. A rank importance of predictors using ReliefF was used to identify predictive radiomic features in the preclinical PDX trial in conjunction with ML algorithms: classification and regression tree (CART), Naïve Bayes (NB), and support vector machines (SVM). The top four PDX-optimized image features, defined as radiomic signatures (RadSig), from each task were then used to predict or assess response to therapy. Performance of RadSig in predicting/assessing response was compared to SUV mean , SUV max , and lean body mass normalized SUL peak measures. Results Sixty-four out of 131 preclinical imaging features were identified as robust. NB-RadSig performed highest in predicting and assessing response to therapy in the preclinical PDX trial. In the clinical study, the performance of SVM-RadSig and NB-RadSig to predict and assess response was practically identical and superior to SUV mean , SUV max , and SUL peak , measures. Conclusions We optimized robust FDG-PET radiomic signatures (RadSig) to predict and assess response to therapy in a context of a co-clinical imaging trial. DECLARATIONS Funding This work was supported by NCI grants U24CA209837, U24CA253531, and U54CA224083; U2CCA233303, and K12CA167540; Siteman Cancer Center (SCC) Support Grant P30CA091842; and Internal funds provided by Mallinckrodt Institute of Radiology. Conflicts of interest/Competing interests. None. Availability of data and material All the co-clinical data will be available for download through the Washington University School of Medicine Co-Clinical Imaging Research Resource web portal at https://c2ir2.wustl.edu/ , co-clinical database (CCDB). Code availability Not applicable. Authors’ contributions Conceptualization: SR, FOA, KIS; Methodology: SR, TDW, SL, KIS; Formal analysis and investigation: SR, KIS; Writing - original draft preparation: SR; Writing - review and editing: RLW, FD, KIS; Funding acquisition: RWL, FOA, SL, KIS; Resources: SL; Supervision: FD, KIS. All authors read and approved the final manuscript. Ethics approval All studies were performed with approval from the Washington University Humans subjects research committee and animal studies committee. Consent to participate Informed consent to participate in the study was obtained from all participants. Consent for publication Not applicable.

Summary Triple negative breast cancer (TNBC) is a highly heterogeneous set of diseases that has, until recently, lacked any FDA-approved, molecularly targeted therapeutics. Thus, systemic chemotherapy regimens remain the standard of care for many. Unfortunately, even combination chemotherapy is ineffective for many TNBC patients, and side-effects can be severe or lethal. Identification of predictive biomarkers for chemotherapy response would allow for the prospective selection of responsive patients, thereby maximizing efficacy and minimizing unwanted toxicities. Here, we leverage a cohort of TNBC PDX models with responses to single-agent docetaxel or carboplatin to identify biomarkers predictive for differential response to these two drugs. To demonstrate their ability to function as a preclinical cohort, PDX were molecularly characterized using whole-exome DNA sequencing, RNAseq transcriptomics, and mass spectrometry-based total proteomics to show proteogenomic consistency with TCGA and CPTAC clinical samples. Focusing first on the transcriptome, we describe a network-based computational approach to identify candidate epithelial and stromal biomarkers of response to carboplatin ( MSI1, TMSB15A, ARHGDIB, GGT1, SV2A, SEC14L2, SERPINI1, ADAMTS20, DGKQ ) and docetaxel ( ITGA7, MAGED4, CERS1, ST8SIA2, KIF24, PARPBP) . Biomarker panels are predictive in PDX expression datasets (RNAseq and Affymetrix) for both taxane (docetaxel or paclitaxel) and platinum-based (carboplatin or cisplatin) response, thereby demonstrating both cross expression platform and cross drug class robustness. Biomarker panels were also predictive in clinical datasets with response to cisplatin or paclitaxel, thus demonstrating translational potential of PDX-based preclinical trials. This network-based approach is highly adaptable and can be used to evaluate biomarkers of response to other agents.

Abstract Estrogen receptor positive (ER + ) breast cancer is a leading cause of cancer-related death globally. Resistance to standard of care endocrine treatment occurs in at least 30% of ER + breast cancer patients resulting in ~40,000 deaths every year in the US alone. Preclinical studies strongly implicate activation of growth factor receptor, HER2 in endocrine treatment resistance of ER + breast cancer that is HER2 - at diagnosis 1,2 . However, clinical trials of pan-HER inhibitors in ER + /HER2 - patients have disappointed, likely due to a lack of predictive biomarkers 3-6 . Here we demonstrate that loss of MLH1 , a principal mismatch repair gene, causally activates HER2 in ER + /HER2 - breast cancer upon endocrine treatment. Additionally, we show that HER2 activation is indispensable for endocrine treatment resistant growth of MLH1 - cells in vitro and in vivo. Consequently, inhibiting HER2 restores sensitivity to endocrine treatment in multiple experimental models including patient-derived xenograft tumors. Patient data from multiple clinical datasets (TCGA, METABRIC, Alliance (Z1031) and E-GEOD-28826) supports an association between MLH1 loss, HER2 upregulation, and sensitivity to trastuzumab in endocrine treatment-resistant ER + /HER2 - patients. These results provide strong rationale that MLH1 could serve as a first-in-class predictive marker of sensitivity to combinatorial treatment with endocrine drugs and HER inhibitors in endocrine treatment-resistant ER + /HER2 - breast cancer patients. Implications of this study extend beyond breast cancer to Lynch Syndrome cancers. One Sentence Summary Defective mismatch repair activates HER2 in HER2-negative breast cancer cells and renders them susceptible to HER2 inhibitors.

Abstract Patient-derived xenografts (PDXs) model human intra-tumoral heterogeneity in the context of the intact tissue of immunocompromised mice. Histological imaging via hematoxylin and eosin (H&E) staining is performed on PDX samples for routine assessment and, in principle, captures the complex interplay between tumor and stromal cells. Deep learning (DL)-based analysis of large human H&E image repositories has extracted inter-cellular and morphological signals correlated with disease phenotype and therapeutic response. Here, we present an extensive, pan-cancer repository of nearly 1,000 PDX and paired human progenitor H&E images. These images, curated from the PDXNet consortium, are associated with genomic and transcriptomic data, clinical metadata, pathological assessment of cell composition, and, in several cases, detailed pathological annotation of tumor, stroma, and necrotic regions. We demonstrate that DL can be applied to these images to classify tumor regions and to predict xenograft-transplant lymphoproliferative disorder, the unintended outgrowth of human lymphocytes at the transplantation site. This repository enables PDX-specific, investigations of cancer biology through histopathological analysis and contributes important model system data that expand on existing human histology repositories. We expect the PDXNet Image Repository to be valuable for controlled digital pathology analysis, both for the evaluation of technical issues such as stain normalization and for development of novel computational methods based on spatial behaviors within cancer tissues.