Data on patients with COVID-19 who have cancer are lacking. Here we characterise the outcomes of a cohort of patients with cancer and COVID-19 and identify potential prognostic factors for mortality and severe illness.In this cohort study, we collected de-identified data on patients with active or previous malignancy, aged 18 years and older, with confirmed severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) infection from the USA, Canada, and Spain from the COVID-19 and Cancer Consortium (CCC19) database for whom baseline data were added between March 17 and April 16, 2020. We collected data on baseline clinical conditions, medications, cancer diagnosis and treatment, and COVID-19 disease course. The primary endpoint was all-cause mortality within 30 days of diagnosis of COVID-19. We assessed the association between the outcome and potential prognostic variables using logistic regression analyses, partially adjusted for age, sex, smoking status, and obesity. This study is registered with ClinicalTrials.gov, NCT04354701, and is ongoing.Of 1035 records entered into the CCC19 database during the study period, 928 patients met inclusion criteria for our analysis. Median age was 66 years (IQR 57-76), 279 (30%) were aged 75 years or older, and 468 (50%) patients were male. The most prevalent malignancies were breast (191 [21%]) and prostate (152 [16%]). 366 (39%) patients were on active anticancer treatment, and 396 (43%) had active (measurable) cancer. At analysis (May 7, 2020), 121 (13%) patients had died. In logistic regression analysis, independent factors associated with increased 30-day mortality, after partial adjustment, were: increased age (per 10 years; partially adjusted odds ratio 1·84, 95% CI 1·53-2·21), male sex (1·63, 1·07-2·48), smoking status (former smoker vs never smoked: 1·60, 1·03-2·47), number of comorbidities (two vs none: 4·50, 1·33-15·28), Eastern Cooperative Oncology Group performance status of 2 or higher (status of 2 vs 0 or 1: 3·89, 2·11-7·18), active cancer (progressing vs remission: 5·20, 2·77-9·77), and receipt of azithromycin plus hydroxychloroquine (vs treatment with neither: 2·93, 1·79-4·79; confounding by indication cannot be excluded). Compared with residence in the US-Northeast, residence in Canada (0·24, 0·07-0·84) or the US-Midwest (0·50, 0·28-0·90) were associated with decreased 30-day all-cause mortality. Race and ethnicity, obesity status, cancer type, type of anticancer therapy, and recent surgery were not associated with mortality.Among patients with cancer and COVID-19, 30-day all-cause mortality was high and associated with general risk factors and risk factors unique to patients with cancer. Longer follow-up is needed to better understand the effect of COVID-19 on outcomes in patients with cancer, including the ability to continue specific cancer treatments.American Cancer Society, National Institutes of Health, and Hope Foundation for Cancer Research.

Epithelial cells form continuous sheets of cells that exist in tensional homeostasis. Homeostasis is maintained through cell-to-cell adhesions that distribute tension and balance forces between cells and their underlying matrix. Disruption of tensional homeostasis can lead to Epithelial-Mesenchymal Transition (EMT), which is a transdifferentiation process in which epithelial cells adopt a mesenchymal phenotype, where cell-cell adhesion is lost and individual cell migration is acquired. This process is critical during embryogenesis and wound healing, but is also dysregulated in many disease states. To further understand the role of intercellular tension in spatial patterning of epithelial cell monolayers, we developed a multicellular computational model of cell-cell and cell-substrate forces. This work builds on a hybrid Cellular Potts-finite element model to evaluate cell-matrix mechanical feedback of an adherent multicellular cluster. Thermodynamically-constrained cells migrate by generating traction forces on a finite element substrate to minimize the total energy of the system. Junctional forces at cell-cell contacts balance these traction forces, thereby producing a mechanically stable epithelial monolayer. Simulations were compared to in vitro experiments using fluorescence-based junction force sensors in clusters of cells undergoing EMT. Results indicate that the multicellular CPM model can reproduce many aspects of EMT, including epithelial monolayer formation dynamics, changes in cell geometry, and spatial patterning of cell geometry and cell-cell forces in an epithelial colony.

Epithelial-mesenchymal transition (EMT) is a fundamental biological process that plays a central role in embryonic development, tissue regeneration, and cancer metastasis. Transforming growth factor-beta (TGF-beta) is a major and potent inducer of this cellular transition, which is comprised of transitions from an epithelial state to an intermediate or partial EMT state, then to a mesenchymal state. Using computational models to predict state transitions in a specific experiment is inherently difficult for many reasons, including model parameter uncertainty and the error associated with experimental observations. In this study, we demonstrate that a data-assimilation approach using an ensemble Kalman filter, which combines limited noisy observations with predictions from a computational model of TGF-beta-induced EMT, can reconstruct the cell state and predict the timing of state transitions. We used our approach in proof-of-concept "synthetic" in silico experiments, in which experimental observations were produced from a known computational model with the addition of noise. We mimic parameter uncertainty in in vitro experiments by incorporating model error that shifts the TGF-beta doses associated with the state transitions. We performed synthetic experiments for a wide range of TGF-beta doses to investigate different cell steady state conditions, and we conducted a parameter study varying several properties of the data-assimilation approach, including the time interval between observations, and incorporating multiplicative inflation, a technique to compensate for underestimation of the model uncertainty and mitigate the influence of model error. We find that cell state can be successfully reconstructed in synthetic experiments, even in the setting of model error, when experimental observations are performed at a sufficiently short time interval and incorporate multiplicative inflation. Our study demonstrates a feasible proof-of-concept for a data assimilation approach to forecasting the fate of cells undergoing EMT.