Abstract In many disciplines, data is highly decentralized across thousands of online databases (repositories, registries, and knowledgebases). Wringing value from such databases depends on the discipline of data science and on the humble bricks and mortar that make integration possible; identifiers are a core component of this integration infrastructure. Drawing on our experience and on work by other groups, we outline ten lessons we have learned about the identifier qualities and best practices that facilitate large-scale data integration. Specifically, we propose actions that identifier practitioners (database providers) should take in the design, provision and reuse of identifiers; we also outline important considerations for those referencing identifiers in various circumstances, including by authors and data generators. While the importance and relevance of each lesson will vary by context, there is a need for increased awareness about how to avoid and manage common identifier problems, especially those related to persistence and web-accessibility/resolvability. We focus strongly on web-based identifiers in the life sciences; however, the principles are broadly relevant to other disciplines.

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

A bstract Patient-derived xenografts (PDXs) are tumour fragments engrafted into mice for preclinical studies. PDXs offer clear advantages over simpler in vitro cancer models - such as cancer cell lines (CCLs) and organoids - in terms of structural complexity, heterogeneity, and stromal interactions. We characterised 231 colorectal cancer PDXs at the genomic, transcriptomic, and epigenetic level and measured their response to cetuximab, an EGFR inhibitor in clinical use for metastatic colorectal cancer. After assessing PDXs’ quality, stability, and molecular concordance with publicly available patient cohorts, we trained, interpreted, and validated an integrated ensemble classifier (CeSta) which takes in input the PDXs’ multi-omic characterisation and predicts their sensitivity to cetuximab treatment (AUROC > 0.9). Our study shows that large PDX collections can be used to train accurate, interpretable models of drug sensitivity, which 1) better recapitulate patient-derived therapeutic biomarkers than other models trained on CCL data, 2) can be robustly validated across independent PDX cohorts, and 3) can be used for the development of novel therapeutic biomarkers.