Patient-Derived Xenografts (PDXs) are tumor-in-mouse models for cancer. PDX collections, such as those supported by the NCI PDXNet program, are powerful resources for preclinical therapeutic testing. However, variations in experimental design and analysis procedures have limited interpretability. To determine the robustness of PDX studies, the PDXNet tested temozolomide drug response for three pre-validated PDX models (sensitive, resistant, and intermediate) across four blinded PDX Development and Trial Centers (PDTCs) using independently selected SOPs. Each PDTC was able to correctly identify the sensitive, resistant, and intermediate models, and statistical evaluations were concordant across all groups. We also developed and benchmarked optimized PDX informatics pipelines, and these yielded robust assessments across xenograft biological replicates. These studies show that PDX drug responses and sequence results are reproducible across diverse experimental protocols. Here we share the range of experimental procedures that maintained robustness, as well as standardized cloud-based workflows for PDX exome-seq and RNA-Seq analysis and for evaluating growth.

Patient-derived xenografts (PDXs) are resected human tumors engrafted into mice for preclinical studies and therapeutic testing. It has been proposed that the mouse host affects tumor evolution during PDX engraftment and propagation, impacting the accuracy of PDX modeling of human cancer. Here we exhaustively analyze copy number alterations (CNAs) in 1451 PDX and matched patient tumor (PT) samples from 509 PDX models. CNA inferences based on DNA sequencing and microarray data displayed substantially higher resolution and dynamic range than gene expression-based inferences, and they also showed strong CNA conservation from PTs through late-passage PDXs. CNA recurrence analysis of 130 colorectal and breast PT/PDX-early/PDX-late trios confirmed high-resolution CNA retention. We observed no significant enrichment of cancer-related genes in PDX-specific CNAs across models. Moreover, CNA differences between patient and PDX tumors were comparable to variations in multi-region samples within patients. Our study demonstrates the lack of systematic copy number evolution driven by the PDX mouse host.

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.

Abstract We created the PDX Network (PDXNet) Portal ( https://portal.pdxnetwork.org/ ) to centralize access to the National Cancer Institute-funded PDXNet consortium resources (i.e., PDX models, sequencing data, treatment response data, and bioinformatics workflows), to facilitate collaboration among researchers, and to make resources easily available for research. The portal includes sections for resources, analysis results, metrics for PDXNet activities, data processing protocols, and training materials for processing PDX data. The initial portal release highlights PDXNet model and data resources, including 334 new models across 33 cancer types. Tissue samples of these models were deposited in the NCI’s Patient-Derived Model Repository (PDMR) for public access. These models have 2,822 associated sequencing files from 873 samples across 307 patients, which are hosted on the Cancer Genomics Cloud powered by Seven Bridges and the NCI Cancer Data Service for long-term storage and access with dbGaP permissions. The portal also includes results from standardized analysis workflows on PDXNet sequencing files and PDMR data (2,594 samples from 463 patients across 78 disease types). These 15 analysis workflows for whole-exome and RNA-Seq data are freely available, robust, validated, and standardized. The model and data lists will grow substantially over the next two years and will be continuously updated as new data are available. PDXNet models support multi-agent treatment studies, determination of sensitivity and resistance mechanisms, and preclinical trials. The PDXNet portal is a centralized location for these data and resources, which we expect to be of significant utility for the cancer research community.

2565 Background: Mesothelin (MSLN) is overexpressed in mesothelioma and other solid tumors making it the focus of multiple targeted therapies, including antibody drug conjugates (ADCs), T cell receptor (TCR) fusion constructs, and chimeric antigen receptor T-cell (CAR-T) products. However, the clinical efficacy of these treatments remains limited. We hypothesize that soluble MSLN (sMSLN) in the plasma binds to MSLN-targeted therapies before reaching the tumor. Our study aimed to evaluate the effects of sMSLN on a MSLN-targeting antibody, anetumab, and explore methods to reduce sMSLN. Methods: Exploratory analysis in NCT03126630: sMSLN testing was performed on blood samples from participants enrolled in NCT03126630 at the Molecular Targets Core Lab, National Cancer Institute. The median was used to categorize high and low levels of sMSLN. Survival was estimated with the Kaplan-Meier method and compared between groups with the log rank test. Anetumab immunoprecipitation: Anetumab was covalently coupled to Dynabeads at 5 µg per mg of beads to immunoprecipitate MSLN from two plasma samples. Assays were performed in duplicate. Therapeutics plasma exchange (TPE):Whole blood samples were collected before and after one plasma volume of TPE with albumin as the replacement fluid in patients undergoing routine TPE for various medical conditions, such as autoimmune diseases and hyperviscosity syndromes. Plasma levels of sMSLN were measured with an ELISA assay in matched pre- and post-TPE plasma samples. Results: We obtained sMSLN levels from 40 patients enrolled in NCT03126630. For patients treated with both anetumab ravtansine and pembrolizumab, median progression free survival (PFS) was shorter in the high sMSLN group (5 months) vs the low sMSLN group (12 months). For patients treated with pembrolizumab alone, PFS was similar for patients with high and low sMSLN (4 vs 3.4 months). Anetumab significantly reduced the concentration of sMSLN in plasma samples as detected by MSLN ELISA (p<0.05), demonstrating that sMSLN can bind to and sequester anetumab. Next, we evaluated TPE as a mechanism to reduce sMSLN. We obtained pre- and post-TPE plasma samples from 15 patients undergoing routine TPE for various medical conditions. TPE consistently reduced sMSLN (p<0.05) with an average decrease of 43.6% or 15.4 ng/mL. Conclusions: We found that high sMSLN levels are associated with shorter PFS for anetumab ravtansine, but not pembrolizumab. Additionally, anetumab binds to sMSLN in the plasma, which suggests that sMSLN can sequester anti-MSLN antibodies and may limit the efficacy of MSLN-targeted therapies. High levels of sMSLN could potentially be used as a biomarker to select which patients should not receive MSLN-targeting therapies. Furthermore, our results indicate that sMSLN reduction is feasible with TPE. Decreasing sMSLN could restore the activity of MSLN-targeted therapies.