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 The tumour microenvironment and genetic alterations collectively influence drug efficacy in cancer, but current evidence is limited to small scale studies and systematic analyses are lacking. We chose Chronic Lymphocytic Leukaemia (CLL), the most common leukaemia in adults, as a model disease to study this complex interplay systematically. We performed a combinatorial assay using 12 drugs individually co-applied with each of 17 microenvironmental stimuli in 192 primary CLL samples, generating a comprehensive map of drug-microenvironment interactions in CLL. This data was combined with whole-exome sequencing, DNA-methylation, RNA-sequencing and copy number variant annotation. Our assay identified four distinct CLL subgroups that differed in their responses to the panel of microenvironmental stimuli. These subgroups were characterized by distinct clinical outcomes independently of known prognostic markers. We investigated the effect of CLL- specific recurrent genetic alterations on microenvironmental responses and identified trisomy 12 as an amplifier of multiple microenvironmental stimuli. We further quantified the impact of microenvironmental stimuli on drug response, confirmed known interactions such as Interleukin (IL) 4 mediated resistance to B cell receptor (BCR) inhibitors, and identified new interactions such as Interferon-γ induced resistance to BCR inhibitors. Finally, we identified interactions which were limited to genetic subgroups. Resistance to chemotherapeutics, such as Fludarabine, induced by Toll-Like Receptor (TLR) agonists could be observed in IGHV unmutated patient samples and IGHV mutated samples with trisomy 12. In-vivo relevance was investigated in CLL-infiltrated lymph nodes, which showed increased IL4 and TLR signalling activity compared to healthy samples (p<0.001). High IL4 activity in lymph nodes correlated with faster disease progression (p=0.038). We provide a publicly available resource ( www.dietrichlab.de/CLL_Microenvironment/ ) which uncovers tumour cell extrinsic influences on drug response and disease progression in CLL, and how these interactions are modulated by cell intrinsic molecular features.

In the battle against multiple myeloma (MM), T cell strategies have emerged as crucial, exploiting their natural tumor-cell targeting ability to enhance patient outcomes.Recent studies underscore the dual roles of T cells in MM: while specific T cells can effectively target and destroy MM cells, regulatory T cells may block this response, highlighting the complexity of the immune environment in MM [1,2].Elotuzumab, targeting the SLAM family member 7 (SLAMF7) protein, represents a promising advance enhancing natural killer (NK) cell activity against MM cells modulating T cell responses.This antibody not only boosts NK cell-mediated destruction of MM cells but also affects T cells, including a specific regulatory CD8 + subset, further contributing to its immunomodulatory effects [3][4][5].Despite these promising mechanisms, clinical trials including the German-Speaking Myeloma Multicenter Group (GMMG)-HD6 study have yielded mixed results, highlighting the need for further investigation into its role in MM treatment [6][7][8][9][10].This study aims to delve deeper into the impact of elotuzumab on T cell subsets within the MM microenvironment to elucidate its prognostic implications and refine therapeutic strategies.Within the context of the GMMG-HD6 trial, we performed a planned subgroup-analysis on SLAMF7 high expressing T cell subsets.The GMMG-HD6 trial assessed elotuzumab combined with lenalidomide, bortezomib, dexamethasone (RVd) in newly diagnosed MM patients.Participants were allocated into four groups: RVd/R (RVd induction/consolidation plus lenalidomide maintenance), RVd/Elo-R (RVd induction, elotuzumab+RVd consolidation, and elotuzumab+lenalidomide maintenance), Elo-RVd/R (elotuzumab+RVd induction, RVd consolidation, lenalidomide maintenance), and Elo-RVd/Elo-R (elotuzumab+RVd for both induction/consolidation and elotuzumab+lenalidomide maintenance).Following induction, all underwent stem cell mobilization, high-dose melphalan, autologous stem cell transplantation, and two consolidation cycles, with 26 cycles of maintenance over three years (Fig. 1A).564 patients were initially randomized in the trial.Five patients were excluded from the study due to violation of major eligibility criteria.The intention-to-treat (ITT) population of the study consisted of 559 patients.Peripheral blood (PB) samples for immune cell analysis were collected at baseline (T1)