Abstract Bioengineers have built increasingly sophisticated models of the tumor microenvironment in which to study cell-cell interactions, mechanisms of cancer growth and metastasis, and to test new potential therapies. These models allow researchers to culture cells in conditions that include features of the in vivo tumor microenvironment (TME) implicated in regulating cancer progression, such as ECM stiffness, integrin binding to the ECM, immune and stromal cells, growth factor and cytokine depots, and a 3D geometry more representative of the TME than tissue culture polystyrene (TCPS). These biomaterials could be particularly useful for drug screening applications to make better predictions of efficacy, offering better translation to preclinical in vivo models and clinical trials. However, it can be challenging to compare drug response reports across different platforms and conditions in the current literature. This is, in part, as a result of inconsistent reporting and use of drug response metrics, and vast differences in cell growth rates across a large variety of biomaterial design. This perspective paper attempts to clarify the definitions of drug response measurements used in the field, and presents examples in which these measurements can and cannot be applied. We suggest as best practice to include appropriate controls, always measure the growth rate of cells in the absence of drug, and follow our provided “decision tree” matrix when reporting drug response metrics.

Ovarian cancer (OvCa) is a challenging disease to treat due to poor screening techniques and late diagnosis. There is an urgent need for additional therapy options, as patients recur in 70% of cases. The limited availability of clinical treatment options could be a result of poor predictions in early stage drug screens on standard tissue culture polystyrene (TCPS). TCPS does not capture the mechanical and biochemical cues that cells experience in vivo, which can impact how cells will respond to a drug. Therefore, an in vitro model that captures some of the microenvironment features that the cells experience in vivo could provide better insights into drug response. In this study, we formed 3D multicellular tumor spheroids (MCTS) in microwells, and encapsulated them in 3D omentum-inspired hydrogels. SKOV-3 MCTS were resistant to Paclitaxel in our 3D hydrogels compared to a monolayer on TCPS. Toward clinical application, we tested cells from patients (ovarian carcinoma ascites spheroids (OCAS)), and drug responses predicted by using the 3D omentum-inspired hydrogels correlated with the reported pathology reports of those same patients. Additionally, we observed the presence of collagen production around the encapsulated SKOV-3 MCTS, but not on TCPS. Our results demonstrated that our 3D omentum-inspired hydrogel is an improved in vitro drug testing platform to study OvCa drug response for patient-derived cells, and helped us identify collagen 3 as a potential driver of Paclitaxel resistance.

Abstract The tumor microenvironment consists of resident tumor cells organized within a compositionally diverse, three-dimensional (3D) extracellular matrix (ECM) network that cannot be replicated in vitro using bottom-up synthesis. We report a new self-assembly system to engineer ECM-rich 3D MatriSpheres wherein tumor cells actively organize and concentrate microgram quantities of decellularized ECM dispersions which modulate cell phenotype. 3D colorectal cancer (CRC) MatriSpheres were created using decellularized small intestine submucosa (SIS) as an orthotopic ECM source that had greater proteomic homology to CRC tumor ECM than traditional ECM formulations such as Matrigel. SIS ECM was rapidly concentrated from its environment and assembled into ECM-rich 3D stroma-like regions by mouse and human CRC cell lines within 4-5 days via a mechanism that was rheologically distinct from bulk hydrogel formation. Both ECM organization and transcriptional regulation by 3D ECM cues affected programs of malignancy, lipid metabolism, and immunoregulation that corresponded with an in vivo MC38 tumor cell subpopulation identified via single cell RNA sequencing. This 3D modeling approach stimulates tumor specific tissue morphogenesis that incorporates the complexities of both cancer cell and ECM compartments in a scalable, spontaneous assembly process that may further facilitate precision medicine.

Autism spectrum disorder (ASD) is a genetically heterogeneous condition, caused by a combination of rare de novo and inherited variants as well as common variants in at least several hundred genes. However, significantly larger sample sizes are needed to identify the complete set of genetic risk factors. We conducted a pilot study for SPARK (SPARKForAutism.org) of 457 families with ASD, all consented online. Whole exome sequencing (WES) and genotyping data were generated for each family using DNA from saliva. We identified variants in genes and loci that are clinically recognized causes or significant contributors to ASD in 10.4% of families without previous genetic findings. Additionally, we identified variants that are possibly associated with autism in an additional 3.4% of families. A meta-analysis using the TADA framework at a false discovery rate (FDR) of 0.2 provides statistical support for 34 ASD risk genes with at least one damaging variant identified in SPARK. Nine of these genes (BRSK2, DPP6, EGR3, FEZF2, ITSN1, KDM1B, NR4A2, PAX5 and RALGAPB) are newly emerging genes in autism, of which BRSK2 has the strongest statistical support as a risk gene for autism (TADA q-value = 0.0015). Future studies leveraging the thousands of individuals with ASD that have enrolled in SPARK are likely to further clarify the genetic risk factors associated with ASD as well as allow accelerate autism research that incorporates genetic etiology.

Tunable biomaterials that mimic selected features of the extracellular matrix (ECM), such as its stiffness, protein composition, and dimensionality, are increasingly popular for studying how cells sense and respond to ECM cues. In the field, there exists a significant trade-off for how complex and how well these biomaterials represent the in vivo microenvironment, versus how easy they are to make and how adaptable they are to automated fabrication techniques. To address this need to integrate more complex biomaterials design with high-throughput screening approaches, we present several methods to fabricate synthetic biomaterials in 96-well plates and demonstrate that they can be adapted to semi-automated liquid handling robotics. These platforms include 1) glass bottom plates with covalently attached ECM proteins, and 2) hydrogels with tunable stiffness and protein composition with either cells seeded on the surface, or 3) laden within the three-dimensional hydrogel matrix. This study includes proof-of-concept results demonstrating control over breast cancer cell line phenotypes via these ECM cues in a semi-automated fashion. We foresee the use of these methods as a mechanism to bridge the gap between high-throughput cell-matrix screening and engineered ECM-mimicking biomaterials.