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 tumor xenograft (PDX) mouse models are a versatile oncology research platform for studying tumor biology and for testing chemotherapeutic approaches tailored to genomic characteristics of individual patient's tumors. PDX models are generated and distributed by a diverse group of academic labs, research organizations, multi-institution consortia, and contract research organizations. The distributed nature of PDX repositories and the use of different standards in the associated metadata presents a significant challenge to finding PDX models relevant to specific cancer research questions. The Jackson Laboratory and EMBL-EBI are addressing these challenges by co-developing PDX Finder, a comprehensive open global catalog of PDX models and their associated datasets. Within PDX Finder, model attributes are harmonized and integrated using a previously developed community minimal information standard to support consistent searching across the originating resources. Links to repositories are provided from the PDX Finder search results to facilitate model acquisition and/or collaboration. The PDX Finder resource currently contains information for more than 1900 PDX models of diverse cancers including those from large resources such as the Patient-Derived Models Repository, PDXNet and EurOPDX. Individuals or organizations that generate and distribute PDXs are invited to increase the "findability" of their models by participating in the PDX Finder initiative at www.pdxfinder.org

Abstract Patient-derived xenograft models (PDXs) are an effective preclinical in vivo platform for testing the efficacy of novel drug and drug combinations for cancer therapeutics. Here we describe a repository of 79 genomically and clinically annotated lung cancer PDXs available from The Jackson Laboratory that have been extensively characterized for histopathological features, mutational profiles, gene expression, and copy number aberrations. Most of the PDXs are models of non-small cell lung cancer (NSCLC), including 37 lung adenocarcinoma (LUAD) and 33 lung squamous cell carcinoma (LUSC) models. Other lung cancer models in the repository include four small cell carcinomas, two large cell neuroendocrine carcinomas, two adenosquamous carcinomas, and one pleomorphic carcinoma. Models with both de novo and acquired resistance to targeted therapies with tyrosine kinase inhibitors are available in the collection. The genomic profiles of the LUAD and LUSC PDX models are consistent with those observed in patient tumors of the same tumor type from The Cancer Genome Atlas (TCGA) and to previously characterized gene expression-based molecular subtypes. Clinically relevant mutations identified in the original patient tumors were confirmed in engrafted tumors. Treatment studies performed for a subset of the models recapitulated the responses expected based on the observed genomic profiles. Significance The collection of lung cancer Patient Derived Xenograft (PDX) models maintained at The Jackson Laboratory retain both the histologic features and treatment-relevant genomic alterations observed in the originating patient tumors and show expected responses to treatment with standard-of-care agents. The models serve as a valuable preclinical platform for translational cancer research. Information and data for the models are freely available from the Mouse Models of Human Cancer database (MMHCdb, http://tumor.informatics.jax.org/mtbwi/pdxSearch.do ).

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.

Abstract Summary Short tandem repeat (STR) profiling is commonly performed for authentication of biomedical models of human origin, yet no tools exist to easily compare sets of STR profiles to each other or an existing database in a high-throughput manner. Here, we present STRprofiler, a Python package, command line tool, and Shiny application providing methods for STR profile comparison and cross-contamination detection. STRprofiler can be run with custom databases or used to query against the Cellosaurus cell line database. Availability and Implementation STRprofiler is freely available as a Python package with a rich CLI from PyPI https://pypi.org/project/strprofiler/ with source code available under the MIT license on GitHub https://github.com/j-andrews7/strprofiler and at https://zenodo.org/records/10989034. A web server hosting an example STRprofiler Shiny application backed by a database with data from the National Cancer Institute-funded PDXNet consortium and The Jackson Laboratory PDX program is available at https://sj-bakerlab.shinyapps.io/strprofiler/. Full documentation is available at https://strprofiler.readthedocs.io/en/latest/. Supplementary information Supplementary data are available at Bioinformatics online.