One approach to precision medicine is to discover drugs that target molecularly defined diseases. Voluminous cancer patient gene expression profiles have been accumulated in public databases, enabling the creation of a cancer-specific expression signature. By matching this signature to perturbagen-induced gene expression profiles from large drug libraries, researchers can prioritize small molecules that present high potency to reverse expression of signature genes for further experimental testing of their efficacy. This approach has proven to be an efficient and cost-effective way to identify efficacious drug candidates. However, the success of this approach requires multiscale procedures, imposing significant challenges to many labs. Therefore, we present OCTAD: an open workplace for virtually screening compounds targeting precise cancer patient groups using gene expression features. We release OCTAD as a web portal and standalone R workflow to allow experimental and computational scientists to easily navigate the tool. In this work, we describe this tool and demonstrate its potential for precision medicine.

Metastasis is the most common cause of cancer-related death and, as such, there is an urgent need to discover new therapies to treat metastasized cancers. Cancer cell lines are widely-used models to study cancer biology and evaluate drug candidates. However, it is still unknown whether they adequately recapitulate the disease in patients. The recent accumulation of large-scale genomic data in cell lines, mouse models, and patient tissue samples provides an unprecedented opportunity to evaluate the suitability of cancer cell lines as models for metastatic cancer research. Through comprehensively comparing the genomic profiles of 57 breast cancer cell lines with those of metastatic breast cancer samples, we found their substantial genomic differences. We also identified cell lines that more closely resemble different subtypes of metastatic breast cancer. However, we found none of the currently established Basal-like cell lines sufficiently resemble the samples of Basal-like metastatic breast cancer, a subtype of high interest in therapeutic discovery. Further analysis of mutation, copy number variation and gene expression data suggested that MDAMB231, the most commonly used triple negative cell line, had little genomic similarity with Basal-like metastatic breast cancer samples. Our work demonstrates an urgent need of cell lines that more closely resemble Basal-like metastatic breast cancer samples, and could guide cell line selection in other metastasis-related translational research.

Abstract The inconsistency of open pharmacogenomics datasets produced by different studies limits the usage of pharmacogenomics in biomarker discovery. Investigation of multiple pharmacogenomics datasets confirmed that the pairwise sensitivity data correlation between drugs, or rows, across different studies (drug-wise) is relatively low, while the pairwise sensitivity data correlation between cell-lines, or columns, across different studies (cell-wise) is considerably strong. This common interesting observation across multiple pharmacogenomics datasets suggests the existence of subtle consistency among the different studies (i.e., strong cell-wise correlation). However, significant noises are also shown (i.e., weak drug-wise correlation) and have prevented researchers from comfortably using the data directly. Motivated by this observation, we propose a novel framework for addressing the inconsistency between large-scale pharmacogenomics data sets. Our method can significantly boost the drug-wise correlation and can be easily applied to re-summarized and normalized datasets proposed by others. We also investigate our algorithm based on many different criteria to demonstrate that the corrected datasets are not only consistent, but also biologically meaningful. Eventually, we propose to extend our main algorithm into a framework, so that in the future when more data-sets become publicly available, our framework can hopefully offer a “ground-truth” guidance for references.

11066 Background: There is a large variation in activation times for cancer clinical trials, delaying the opportunity for patients to benefit from cutting edge treatments. Academic medical centers typically take longer to activate a clinical trial as compared to community settings. Some academic medical centers have adopted quality improvement processes to reduce clinical trial start-up time. Our center, TriHealth Cancer & Blood Institute (TCBI) in the SW Ohio community has also adopted quality improvement processes to further reduce startup time within our oncology research group. Methods: This study encompassed July 2022-June 2023, with baseline data drawn from January 2021 to December 2021 prior to the study period which revealed a mean clinical trial start-up time of 116 days. The research group used a swim-lane process to define the typical process & stakeholders for clinical activation time at our institution prior to the study time. Our group identified three major areas with significant lag-time - contracts, budgets, & IRB/ICF - with the overarching root cause for delays due to lack of organizational process & expertise in these major areas. Using Plan-Do-Study-Act (PDSA), we instituted interventions, which included utilizing a central IRB, identifying a responsible member with extensive research budgeting to review research study budgets, & identified a responsible member with extensive contracts review & negotiations working with Central Legal throughout the contracts negotiation process with sponsor(s). Results: During this 12-month study time, our center demonstrated a 44% reduction in trial start up time (141 days to 79 days), while at the same time doubling the number of active trials. This process change resulted in sustainability that carried into 2023, further reducing start-up time to 70 days. In 2021, we opened 6 studies and after adoption of these process improvements (2022) we doubled the number of studies by 117%, while opening 67% more in 2023 than in 2021. The ability to open more studies has allowed us to shift patient enrollment to more investigational trials while increasing treatment enrollment from 2022 to 2023 by 24%. Through process improvement, more treatment studies are open & available for our community. Conclusions: By implementing interventions to streamline clinical trial activation time, our center was able to significantly & sustainably reduce the time required to start a clinical trial in our community health system in a 12-month period, resulting in our ability to initiate more clinical trials. As a result, more treatment trial patients were able to be enrolled in these clinical trials at TCBI, with the hope of improved outcomes. We anticipate that further adoption of just-in-time studies may help to decrease this activation time further. [Table: see text]