A Study of Models for Prediction of Treatment Response in Cancer

Abstract

Abstract in Norwegian Kreft kjennetegnes av molekylære forandringer som resulterer i unormal og høy celledeling. Opp gjennom årene har et vesentlig antall kjemoterapier rettet mot å hemme denne celledelingen blitt godkjent for bruk i behandling av kreft. Anvendelsen av disse har ført til generelt forbedrede prognoser for kreftpasienter, men fortsatt er det slik at langt fra alle pasienter responderer på slik behandling, og i tillegg opplever mange bivirkninger. For å øke effekten av kreftbehandling, fokuserer mye av dagens forskning på mulighetene for mer målrettet behandling ved å spesifikt angripe de molekylære endringene som gir opphav til sykdommen. Denne behandlingsformen antas å være gunstig av flere grunner, blant annet ved at bivirkningene blir mindre, og ved at mulighetene for persontilpasset behandling blir større. Selv om målrettet behandling i teorien er en lovende strategi, er det også flere utfordringer. En av disse utfordringene er knyttet til plastisiteten til kreftceller, der endringer i kreftcellenes molekylære signalertrafikk ofte gir opphav til behandlingsresistens. Bruken av medikamentkombinasjoner har vist seg å være en effektiv strategi for å omgå resistens, men på grunn av det astronomiske antallet mulige kombinasjoner som må undersøkes eksperimentelt, har relativt få blitt vurdert, godkjent, og nådd klinisk bruk. I tillegg antas mangler i den biologiske likheten mellom mange av dagens eksperimentelle kreftmodeller og virkelige svulster å føre til lite samsvar mellom eksperimentelle og kliniske responser. Med hovedmål om å øke kunnskapen om hvordan kreftbehandling kan effektiviseres, var arbeidet i denne doktorgraden spesielt rettet mot å undersøke 1) hvordan bruk av mer avanserte eksperimentelle kreftmodeller, med antatt økt klinisk relevans, kan brukes i høykapasitets-utprøving av mange medisiner, og 2) hvordan datamodeller kan brukes som verktøy i søket etter effektive medikamentkombinasjoner. Gjennom en storskala studie som studerte effekten av 21 medikamentkombinasjoner i klassiske (2D) og mer avanserte (3D) eksperimentelle kreftmodeller, ønsket vi å finne forskjellene i medikamentrespons forårsaket av forskjeller i den tredimensjonale oppbyggingen av kreftsvulster. Resultatene fra studien viste signifikante forskjeller i kombinasjonseffekt mellom kreftmodeller, som igjen belyser viktigheten av å nøye vurdere den kliniske relevansen av ulike modeller ved design av eksperimentelle studier. Av de 21 medikamentkombinasjonene som ble testet i studien, ble en betydelig andel funnet å være ineffektiv i begge modellene. For å vise at datakraft kan brukes til å forutsi medikamentrespons og dermed fungere som et verktøy for effektivisering av eksperimentelle studier, designet vi en datamodell basert på medikamentene som er inkludert i kombinasjonsstudien vår. Datamodellen ble oppdatert basert på eksperimentelle funn, og kunne deretter brukes til å identifisere en rekke nye medikamentkombinasjoner med mulig høyere effekt. Alle disse ble bevist riktige i en oppfølgingsstudie, som viser kraften i å bruke datamodeller for å effektivisere eksperimentelle studier av medikamentkombinasjoner. Avslutningsvis, rettet mot å ytterligere øke den kliniske relevansen av eksperimentelle kreftmodeller, utviklet vi en metode for medikamentresponsstudier i primære pasientderiverte kreftmodeller (sfæroider). Denne studien viste klare forskjeller i respons mellom sfæroider fra forskjellige pasienter, som igjen understreker relevansen av persontilpasset behandling av kreft.

Abstract Cancer is characterised by molecular alterations that lead to abnormal and excessive cellular proliferation. Over the years, a considerable number of chemotherapies, aimed to prevent proliferation by inducing cell death, have been approved for treatment of cancer. The use of such therapies has led to an overall increase in the quality of life and survival of cancer patients, but far from all patients respond to treatment. In addition, many patients experience side-effects to therapies. Seeking to increase the effect of cancer therapies, today’s research has turned towards the possibility of treating cancer using strategies that more specifically target the molecular alterations that are the assumed cause of the disease. Treating cancer by specific targeting of aberrant molecular mechanisms is believed to be beneficial from several points of view. As treatments are designed to specifically target cancer cells, the risk for side-effects is supposedly lower. Also, based on evidence of large molecular heterogeneity between cancer patients, targeted therapy is a promising strategy for personalising cancer treatment. Although a promising strategy in theory, the reality of targeted therapy however faces multiple challenges, including, 1) molecular signalling of cancer cells, which is highly adaptive and often results in treatment resistance. While resistance may be circumvented by administrating drugs in combinations 2) identifying such combinations is challenging due to the large combinatorial space that experimentally needs to be explored. In addition, 3) biological discrepancies between in vitro cultures and tumours in vivo are large, which may contribute to low clinical translatability of therapies identified as successful in vitro. Ultimately seeking to contribute to increased knowledge on how to improve cancer treatment, the work of this thesis was aimed at investigating 1) how drug response can be assayed in more complex culture models that more closely mimic a clinical setting, and 2) how computational models can be employed in the search for synergistic drug combinations. By performing an unbiased high-throughput screen of 21 drug combinations in planar (2D) and spheroid (3D) cultures of colorectal cancer cell lines, we studied the impact of culture complexity on drug combination effects. We found that drug synergy in general was more pronounced in 2D-cultivated cells, but also noticed that 3D-cultivated cells were more sensitive and showed greater synergistic response to specific combinations. Altogether the results from the study hence indicated that already at the cell line level, culture complexity has a significant impact on drug response, which in turn highlights the importance of careful selection of the most clinically relevant in vitro culture system when seeking to make the most possible out of drug response data. To take 3D models as a tool for in vitro screening one step closer to a clinical scenario we also developed a procedure for drug testing in patient derived tumour spheroids. Doing so, we were able to show that by studying just a small group of samples we could capture sample-heterogeneity in terms of growth rate and drug response. These results highlight the relevance of tailoring cancer treatment to individual patients. Both the combination screen and evaluation of response in patient-derived tumour spheroids were performed in an exhaustive design testing all potential drug combinations. To show that computational modelling can be used for prediction of drug response and hence guiding of drug screens, we constructed a mechanistic computational model encompassing signalling pathways known to be dysregulated in multiple cancers. By adjusting the model to increase its predictive capacity for pairwise combinations, we next used it for prediction of synergistic third and fourth-order combinations. The model identified three synergistic third-order combinations, out of which all were confirmed in a subsequent screen. Altogether the results point towards the benefits of using computational tools when designing large-scale experiments. To summarise, this thesis presents a thorough study of models and strategies available for preclinical testing of drugs and drug combinations. As investigated models span over a wide range of application areas, the study is expected to cover many of the aspects of preclinical drug testing; from early computational simulations of drug response to in vitro screening of clinically approved agents in patient-derived tumour cultures.