Summary Cancer heterogeneity at the proteome level may explain differences in therapy response and prognosis beyond the currently established genomic and transcriptomic based diagnostics. The relevance of proteomics for disease classifications remains to be established in clinically heterogeneous cancer entities such as chronic lymphocytic leukemia (CLL). Here, we characterized the proteome and transcriptome in-depth alongside genetic and ex-vivo drug response profiling in a clinically well annotated CLL discovery cohort (n= 68). Unsupervised clustering of the proteome data revealed six subgroups. Five of these proteomic groups were associated with genetic features, while one group was only detectable at the proteome level. This new group was characterized by accelerated disease progression, high spliceosomal protein abundances associated with aberrant splicing, and low B cell receptor signaling protein abundances (ASB-CLL). We developed classifiers to identify ASB-CLL based on its characteristic proteome or splicing signature in two independent cohorts (n= 165, n= 169) and confirmed that ASB-CLL comprises about 20 % of CLL patients. The inferior overall survival observed in ASB-CLL was independent of both TP53- and IGHV mutation status. Our multi-omics analysis refines the classification of CLL and highlights the potential of proteomics to improve cancer patient stratification beyond genetic and transcriptomic profiling. Single sentence summary We performed the largest proteogenomic analysis of CLL, linked proteomic profiles to clinical outcomes, and discovered a new poor outcome subgroup (ASB-CLL).

Abstract Synovial sarcomas (SS) are malignant mesenchymal tumors characterized by the SS18-SSX fusion gene, which drives tumorigenesis by altering the composition of the BAF complex. Secondary genomic alterations that determine variations in tumor phenotype or clinical presentation are largely unknown. Herein, we present transcriptome, targeted DNA-sequencing, and proteomics analysis of 91 synovial sarcomas from 55 patients. We identified three SS clusters (SSCs) characterized by distinct histology, tumor microenvironments, genomic complexities, therapeutic effects, and clinical outcomes. Eight BAF complex components are differentially expressed among SSCs, and their role in mesenchymal-epithelial-transition is supported by single cell sequencing. The epithelial cells of biphasic tumors are more susceptible to developing copy number alterations, including amplification of PDCD1 and TMPRSS2 . Our findings explain broad concepts in SS biology and imply that the BAF composition at the start of the tumorigenesis (i.e. the cellular linage) may determine the SS subtype, providing a rationale for individualized treatment strategies.

Abstract Targeted monotherapies for cancer often fail due to inherent or acquired drug resistance. By aiming at multiple targets simultaneously, drug combinations can produce synergistic interactions that increase drug effectiveness and reduce resistance. Computational models based on the integration of omics data have been used to identify synergistic combinations, but predicting drug synergy remains a challenge. Here, we introduce DIPx, an algorithm for personalized prediction of drug synergy based on biologically motivated tumor- and drug-specific pathway activation scores (PASs). We trained and validated DIPx in the AstraZeneca-Sanger (AZS) DREAM Challenge dataset using two separate test sets: Test Set 1 comprised the combinations already present in the training set, while Test Set 2 contained combinations absent from the training set, thus indicating the model’s ability to handle novel combinations. The Spearman correlation coefficients between predicted and observed drug synergy were 0.50 (95% CI: 0.47–0.53) in Test Set 1 and 0.26 (95% CI: 0.22–0.30) in Test Set 2, compared to 0.38 (95% CI: 0.34–0.42) and 0.18 (95% CI: 0.16–0.20), respectively, for the best performing method in the Challenge. We show evidence that higher synergy is associated with higher functional interaction between the drug targets, and this functional interaction information is captured by PAS. We illustrate the use of PAS to provide a potential biological explanation in terms of activated pathways that mediate the synergistic effects of combined drugs. In summary, DIPx can be a useful tool for personalized prediction of drug synergy and exploration of activated pathways related to the effects of combined drugs.