Therapy resistance and metastatic processes in prostate cancer (PCa) remain undefined, due to lack of experimental models that mimic different disease stages. We describe a novel androgen-dependent PCa patient-derived xenograft (PDX) model from treatment-naive, soft tissue metastasis (PNPCa). RNA and whole-exome sequencing of the PDX tissue and organoids confirmed transcriptomic and genomic similarity to primary tumor. PNPCa harbours BRCA2 and CHD1 somatic mutations, shows an SPOP-FOXA1-like transcriptomic signature and microsatellite instability, which occurs in 3% of advanced PCa and has never been modelled in vivo. Comparison of the treatment-naive PNPCa with additional metastatic PDXs (BM18, LAPC9), in a medium-throughput organoid screen of FDA-approved compounds, revealed differential drug sensitivities. Multikinase inhibitors (ponatinib, sunitinib, sorafenib) were broadly effective on all PDX- and patient-derived organoids from advanced cases with acquired resistance to standard-of-care compounds. This proof-of-principle study may provide a preclinical tool to screen drug responses to standard-of-care and newly identified, repurposed compounds.

Prostate cancer (PCa) is the second leading cause of cancer-associated death in men with therapy resistance acquisition to androgen deprivation treatment and metastasis progression. Understanding the mechanisms of tumor progression to metastatic stage is necessary for the design of therapeutic and prognostic schemes. The main objective of the current study is to determine, using transcriptomic and proteomic analyses on patient derived-xenograft models, whether differentially aggressive PCa tumors predispose their microenvironment (stroma) to a metastatic gene expression pattern, and how this information could be applied in prognostics. Transcriptomic profiling (RNA Sequencing) was performed on PCa PDX models representing different disease stages; BM18 (androgen dependent bone metastasis) and LAPC9 (androgen independent bone metastasis). Using organism-specific reference databases, the human-specific transcriptome, representing the tumor, was identified and separated from the mouse-specific transcriptome (representing the contributing stroma counterpart) from the same PDX tumor samples. To identify proteome changes in the tumor (human) versus the stroma (mouse), we performed human and mouse cell separation using the MACS mouse depletion sorting kit, and subjected protein lysates to quantitative TMT labeling and mass spectrometry. We show that tenascin C is one of the most abundant stromal genes in bone metastasis PCa PDXs, is modulated by androgen levels in vivo and is highly expressed in castration resistant LAPC9 PDX compared to castration sensitive BM18 PDX. Tissue microarray of primary PCa samples (N=210) was used to evaluate the potential of TNC to act as a metastasis prognosis marker. Low number of TNC-positive cells were associated with statistically significant clinical progression to local recurrence or metastasis, compared to high TNC-positive group. Our data showed that metastatic PCa PDXs that differ in androgen sensitivity trigger a differential stroma response suggesting that stroma was influenced by tumor cues. Selected stromal markers of osteoblastic PCa induced bone metastases, were induced in the microenvironment of the host organism in metastatic xenografts, although implanted in a non-bone site, indicating a conserved mechanism of tumor cells to induce a stromal pre-metastatic signature with high potential prognostic or diagnostic value.

Understanding the spatial heterogeneity of tumors and its links to disease is a cornerstone of cancer biology. Emerging spatial technologies offer unprecedented capabilities towards this goal, but several limitations hinder their clinical adoption. To date, histopathology workflows still heavily depend on hematoxylin & eosin (H&E) and serial immunohistochemistry (IHC) staining, a cumbersome and tissue-exhaustive process that yields unaligned tissue images. We propose the VirtualMultiplexer, a generative AI toolkit that translates real H&E images to matching IHC images for several markers based on contrastive learning. The VirtualMultiplexer learns from unpaired H&E and IHC images and introduces a novel multi-scale loss to ensure consistent and biologically reliable stainings. The virtually multiplexed images enabled training a Graph Transformer that simultaneously learns from the joint spatial distribution of several markers to predict clinically relevant endpoints. Our results indicate that the VirtualMultiplexer achieves rapid, robust and precise generation of virtually multiplexed imaging datasets of high staining quality that are indistinguishable from the real ones. We successfully employed transfer learning to generate realistic virtual stainings across tissue scales, patient cohorts, and cancer types with no need for model fine-tuning. Crucially, the generated images are not only realistic but also clinically relevant, as they greatly improved the prediction of different clinical endpoints across patient cohorts and cancer types, speeding up histopathology workflows and accelerating spatial biology.

Advanced prostate cancer initially responds to hormonal treatment, but ultimately becomes resistant and requires more potent therapies. One mechanism of resistance observed in ~10% of these patients is through lineage plasticity, which manifests in a partial or complete small cell or neuroendocrine prostate cancer (NEPC) phenotype. Here, we investigate the role of the mammalian SWI/SNF (mSWI/SNF) chromatin remodeling complex in NEPC. Using large patient datasets, patient-derived organoids and cancer cell lines, we identify mSWI/SNF subunits that are deregulated in NEPC and demonstrate that SMARCA4 (BRG1) overexpression is associated with aggressive disease. We also show that SWI/SNF complexes interact with different lineage-specific factors in NEPC compared to prostate adenocarcinoma. These data suggest a role for mSWI/SNF complexes in therapy-related lineage plasticity, which may be relevant for other solid tumors.