The implementation of targeted therapies for acute myeloid leukaemia (AML) has been challenging because of the complex mutational patterns within and across patients as well as a dearth of pharmacologic agents for most mutational events. Here we report initial findings from the Beat AML programme on a cohort of 672 tumour specimens collected from 562 patients. We assessed these specimens using whole-exome sequencing, RNA sequencing and analyses of ex vivo drug sensitivity. Our data reveal mutational events that have not previously been detected in AML. We show that the response to drugs is associated with mutational status, including instances of drug sensitivity that are specific to combinatorial mutational events. Integration with RNA sequencing also revealed gene expression signatures, which predict a role for specific gene networks in the drug response. Collectively, we have generated a dataset-accessible through the Beat AML data viewer (Vizome)-that can be leveraged to address clinical, genomic, transcriptomic and functional analyses of the biology of AML.

To study mechanisms underlying resistance to the BCL2 inhibitor venetoclax in acute myeloid leukemia (AML), we used a genome-wide CRISPR/Cas9 screen to identify gene knockouts resulting in drug resistance. We validated TP53, BAX, and PMAIP1 as genes whose inactivation results in venetoclax resistance in AML cell lines. Resistance to venetoclax resulted from an inability to execute apoptosis driven by BAX loss, decreased expression of BCL2, and/or reliance on alternative BCL2 family members such as BCL2L1. The resistance was accompanied by changes in mitochondrial homeostasis and cellular metabolism. Evaluation of TP53 knockout cells for sensitivities to a panel of small-molecule inhibitors revealed a gain of sensitivity to TRK inhibitors. We relate these observations to patient drug responses and gene expression in the Beat AML dataset. Our results implicate TP53, the apoptotic network, and mitochondrial functionality as drivers of venetoclax response in AML and suggest strategies to overcome resistance. SIGNIFICANCE: AML is challenging to treat due to its heterogeneity, and single-agent therapies have universally failed, prompting a need for innovative drug combinations. We used a genetic approach to identify genes whose inactivation contributes to drug resistance as a means of forming preferred drug combinations to improve AML treatment.See related commentary by Savona and Rathmell, p. 831.This article is highlighted in the In This Issue feature, p. 813.

Accurately identifying phenotype-relevant cell subsets from heterogeneous cell populations is crucial for delineating the underlying mechanisms driving biological or clinical phenotypes. Here, by deploying a learning with rejection strategy, we developed a novel supervised learning framework called PENCIL to identify subpopulations associated with categorical or continuous phenotypes from single-cell data. By embedding a feature selection function into this flexible framework, for the first time, we were able to select informative features and identify cell subpopulations simultaneously, which enables the accurate identification of phenotypic subpopulations otherwise missed by methods incapable of concurrent gene selection. Furthermore, the regression mode of PENCIL presents a novel ability for supervised phenotypic trajectory learning of subpopulations from single-cell data. We conducted comprehensive simulations to evaluate PENCIĽs versatility in simultaneous gene selection, subpopulation identification and phenotypic trajectory prediction. PENCIL is fast and scalable to analyze 1 million cells within 1 hour. Using the classification mode, PENCIL detected T-cell subpopulations associated with melanoma immunotherapy outcomes. Moreover, when applied to scRNA-seq of a mantle cell lymphoma patient with drug treatment across multiple time points, the regression mode of PENCIL revealed a transcriptional treatment response trajectory. Collectively, our work introduces a scalable and flexible infrastructure to accurately identify phenotype-associated subpopulations from single-cell data.