Abstract Treatment of patients with high-grade serous ovarian carcinoma (HGSOC) and triple-negative breast cancer (TNBC) includes platinum-based drugs, gemcitabine, and PARP inhibitors. However, resistance to these therapies develops in most cases, highlighting the need for novel therapeutic approaches and biomarkers to guide the optimal treatment choice. Using a CRISPR loss-of-function screen for carboplatin sensitizers in the HGSOC cell line OVCAR8, we identified CSNK2A2 , the gene encoding for the alpha’ (α’) catalytic subunit of casein kinase 2 (CK2). Expanding on this finding, we confirmed that the CK2 inhibitors silmitasertib and SGC-CK2-1 sensitized many, but not all, TNBC and HGSOC cell lines to the drugs that perturb DNA replication, including platinum drugs, gemcitabine, and PARP inhibitors. We identified RB1 tumor suppressor deficiency as a prerequisite context for the CK2 inhibition-mediated sensitization to these therapeutics. In RB1-deficient cells, CK2 inhibition resulted in accumulation of cells in S phase of the cell cycle, associated with micronuclei formation, and accelerated PARP inhibitor-induced aneuploidy and mitotic cell death. Patient HGSOC organoids that lacked RB1 expression displayed an enhanced long-term response to carboplatin and PARP inhibitor niraparib when combined with silmitasertib, suggesting RB1-stratified efficacy in patients. As RB1 deficiency affects up to 25% of HGSOC and 40% of TNBC cases, CK2 inhibition, proven safe from previous clinical exploration with silmitasertib, is a promising approach to overcome resistance to standard therapeutics in large strata of patients.

Abstract The oncogenic transcription factors STAT3, STAT5A and STAT5B are essential to steer hematopoiesis and immunity, but their enhanced expression and activation drives the development or progression of blood cancers. Current therapeutic strategies focus on blocking upstream tyrosine kinases, but frequently occurring resistance often leads to disease relapse, emphasizing the need for more targeted therapies. Here we evaluate JPX-0700 and JPX-0750, which are STAT3/5-specific covalent cysteine binders that lead to growth arrest of acute myeloid leukemia (AML) and natural killer/T cell lymphoma (NKCL) cell lines in vitro and in vivo , as well as reduce cell viability of primary AML blasts ex vivo . Our non-PROTAC small molecular weight degraders selectively reduce STAT3/5 activation and total protein levels, as well as downstream target oncogene expression, exhibiting nanomolar to low micromolar efficacy. We found that both AML and NKCL cells hijack STAT3/5 signaling through either upstream activating mutations in tyrosine kinases, activating gain-of-function mutations in STAT3, mutational loss of negative STAT regulators, or genetic gains in anti-apoptotic, pro-proliferative or epigenetic-modifying STAT3/5 targets. Moreover, we have shown synergistic inhibitory action of JPX-0700 and JPX-0750 upon combinatorial use with approved chemotherapeutics (doxorubicin, daunorubicin, cytarabine), epigenetic enzyme blocker vorinostat, tyrosine kinase inhibitor cabozantinib or BCL-2 inhibitor venetoclax. Importantly, JPX-0700 or JPX-0750 treatment reduced leukemic cell growth in human AML/NKCL xenograft mouse models without adverse side effects. These potent small molecule degraders of STAT3/5 could propel further clinical development for use in AML and NKCL patients.

Drug combinations are becoming a standard treatment of many complex diseases due to their capability to overcome resistance to monotherapy. Currently, in the preclinical drug combination screening, the top hits for further study are often selected based on synergy alone, without considering the combination efficacy and toxicity effects, even though these are critical determinants for the clinical success of a therapy. To promote the prioritization of drug combinations based on integrated analysis of synergy, efficacy and toxicity profiles, we implemented a web-based open-source tool, SynToxProfiler (Synergy-Toxicity-Profiler). When applied to 20 anti-cancer drug combinations tested both in healthy control and T-cell prolymphocytic leukemia (T-PLL) patient cells, as well as to 77 anti-viral drug pairs tested on Huh7 liver cell line with and without Ebola virus infection, SynToxProfiler was shown to prioritize synergistic drug pairs with higher selective efficacy (difference between efficacy and toxicity level) as top hits, which offers improved likelihood for clinical success.

A caveat of cancer cell line models is that their molecular and functional profiling is subject to laboratory-specific experimental practices and data analysis protocols. The current challenge is how to make an integrated use of omics profiles of cancer cell lines for reliable discoveries. Here, we carried out a systematic analysis of nine types of data modalities using meta-analysis of 53 omics profiling studies across 12 research laboratories for 2018 cell lines. To account for relatively low consistency observed for certain data modalities, we developed a robust data integration approach that identifies reproducible signals shared among multiple data modalities and studies. We demonstrated the power of the integrative analyses by identifying a novel driver gene, ECHDC1, with tumor suppressive role validated both in breast cancer cells and patient tumors. Extension of the approach identified synthetic lethal partners of cancer drivers, including a co-dependency of PTEN deficient cells on RNA helicases.

Cellular DNA barcoding has become a popular approach to study heterogeneity of cell populations and to identify lineages with differential response to cellular stimuli. However, there is a lack of reliable methods for statistical inference of differentially responding lineages. Here, we used mixtures of DNA-barcoded cell pools to generate a realistic benchmark read count dataset for modelling a range of outcomes of lineage-tracing experiments. By accounting for the statistical properties intrinsic to the DNA barcode read count data, we implemented an improved algorithm that provides a significantly higher accuracy at detecting differentially responding lineages, compared to current RNA-seq data analysis algorithms. Building on the reliable statistical methodology, we illustrate how multidimensional phenotypic profiling (or high-throughput lineage phenomics) enables one to deconvolute phenotypically distinct cell subpopulations within a cancer cell line. The mixture control dataset and our analysis results provide a systematic foundation for benchmarking and improving algorithms for lineage-tracing experiments.

ABSTRACT Biological processes are inherently continuous, and the chance of phenotypic discovery is significantly restricted by discretising them. Using multi-parametric active regression we introduce a novel concept to describe and explore biological data in a continuous manner. We have implemented Regression Plane (RP) , the first user-friendly discovery tool enabling class-free phenotypic supervised machine learning.