SUMMARY Mutational signature analysis is commonly performed in genomic studies surveying cancer and normal somatic tissues. Here we present SigProfilerExtractor, an automated tool for accurate de novo extraction of mutational signatures for all types of somatic mutations. Benchmarking with a total of 34 distinct scenarios encompassing 2,500 simulated signatures operative in more than 60,000 unique synthetic genomes and 20,000 synthetic exomes demonstrates that SigProfilerExtractor outperforms thirteen other tools across all datasets with and without noise. For genome simulations with 5% noise, reflecting high-quality genomic datasets, SigProfilerExtractor outperforms other approaches by elucidating between 20% and 50% more true positive signatures while yielding more than 5-fold less false positive signatures. Applying SigProfilerExtractor to 4,643 whole-genome sequenced and 19,184 whole-exome sequenced cancers reveals four previously missed mutational signatures. Two of the signatures are confirmed in independent cohorts with one of these signatures associating with tobacco smoking. In summary, this report provides a reference tool for analysis of mutational signatures, a comprehensive benchmarking of bioinformatics tools for extracting mutational signatures, and several novel mutational signatures including a signature putatively attributed to direct tobacco smoking mutagenesis in bladder cancer and in normal bladder epithelium.

Abstract Acquired drug resistance to even the most effective anti-cancer targeted therapies remains an unsolved clinical problem. Although many drivers of acquired drug resistance have been identified 1‒6 , the underlying molecular mechanisms shaping tumor evolution during treatment are incompletely understood. The extent to which therapy actively drives tumor evolution by promoting mutagenic processes 7 or simply provides the selective pressure necessary for the outgrowth of drug-resistant clones 8 remains an open question. Here, we report that lung cancer targeted therapies commonly used in the clinic induce the expression of cytidine deaminase APOBEC3A (A3A), leading to sustained mutagenesis in drug-tolerant cancer cells persisting during therapy. Induction of A3A facilitated the formation of double-strand DNA breaks (DSBs) in cycling drug-treated cells, and fully resistant clones that evolved from drug-tolerant intermediates exhibited an elevated burden of chromosomal aberrations such as copy number alterations and structural variations. Preventing therapy-induced A3A mutagenesis either by gene deletion or RNAi-mediated suppression delayed the emergence of drug resistance. Finally, we observed accumulation of A3A mutations in lung cancer patients who developed drug resistance after treatment with sequential targeted therapies. These data suggest that induction of A3A mutagenesis in response to targeted therapy treatment may facilitate the development of acquired resistance in non-small-cell lung cancer. Thus, suppressing expression or enzymatic activity of A3A may represent a potential therapeutic strategy to prevent or delay acquired resistance to lung cancer targeted therapy.

ABSTRACT The gains and losses of DNA that emerge as a consequence of mitotic errors and chromosomal instability are prevalent in cancer. These copy number alterations contribute to cancer initiaition, progression and therapeutic resistance. Here, we present a conceptual framework for examining the patterns of copy number alterations in human cancer using whole-genome sequencing, whole-exome sequencing, and SNP6 microarray data making it widely applicable to diverse datasets. Deploying this framework to 9,873 cancers representing 33 human cancer types from the TCGA project revealed a set of 19 copy number signatures that explain the copy number patterns of 93% of TCGA samples. 15 copy number signatures were attributed to biological processes of whole-genome doubling, aneuploidy, loss of heterozygosity, homologous recombination deficiency, and chromothripsis. The aetiology of four copy number signatures are unexplained and some cancer types have unique patterns of amplicon signatures associated with extrachromosomal DNA, disease-specific survival, and gains of proto-oncogenes such as MDM2 . In contrast to base-scale mutational signatures, no copy number signature associated with known cancer risk factors. The results provide a foundation for exploring patterns of copy number changes in cancer genomes and synthesise the global landscape of copy number alterations in human cancer by revealing a diversity of mutational processes giving rise to copy number changes.

PURPOSE Cancers with homologous recombination deficiency (HRD) can benefit from platinum salts and poly(ADP-ribose) polymerase inhibitors. Standard diagnostic tests for detecting HRD require molecular profiling, which is not universally available. METHODS We trained DeepHRD, a deep learning platform for predicting HRD from hematoxylin and eosin (H&E)–stained histopathological slides, using primary breast (n = 1,008) and ovarian (n = 459) cancers from The Cancer Genome Atlas (TCGA). DeepHRD was compared with four standard HRD molecular tests using breast (n = 349) and ovarian (n = 141) cancers from multiple independent data sets, including platinum-treated clinical cohorts with RECIST progression-free survival (PFS), complete response (CR), and overall survival (OS) endpoints. RESULTS DeepHRD predicted HRD from held-out H&E-stained breast cancer slides in TCGA with an AUC of 0.81 (95% CI, 0.77 to 0.85). This performance was confirmed in two independent primary breast cancer cohorts (AUC, 0.76 [95% CI, 0.71 to 0.82]). In an external platinum-treated metastatic breast cancer cohort, samples predicted as HRD had higher complete CR (AUC, 0.76 [95% CI, 0.54 to 0.93]) with 3.7-fold increase in median PFS (14.4 v 3.9 months; P = .0019) and hazard ratio (HR) of 0.45 ( P = .0047). There were no significant differences in nonplatinum treatment outcome by predicted HRD status in three breast cancer cohorts, including CR (AUC, 0.39) and PFS (HR, 0.98, P = .95) in taxane-treated metastatic breast cancer. Through transfer learning to high-grade serous ovarian cancer, DeepHRD-predicted HRD samples had better OS after first-line (HR, 0.46; P = .030) and neoadjuvant (HR, 0.49; P = .015) platinum therapy in two cohorts. CONCLUSION DeepHRD can predict HRD in breast and ovarian cancers directly from routine H&E slides across multiple external cohorts, slide scanners, and tissue fixation variables. When compared with molecular testing, DeepHRD classified 1.8- to 3.1-fold more patients with HRD, which exhibited better OS in high-grade serous ovarian cancer and platinum-specific PFS in metastatic breast cancer.

ABSTRACT Background All cancers harbor somatic mutations in their genomes. In principle, mutations affecting between one and fifty base pairs are generally classified as small mutational events. Conversely, large mutational events affect more than fifty base pairs, and, in most cases, they encompass copy-number and structural variants affecting many thousands of base pairs. Prior studies have demonstrated that examining patterns of somatic mutations can be leveraged to provide both biological and clinical insights, thus, resulting in an extensive repertoire of tools for evaluating small mutational events. Recently, classification schemas for examining large-scale mutational events have emerged and shown their utility across the spectrum of human cancers. However, there has been no standard bioinformatics tool that allows visualizing and exploring these large-scale mutational events Results Here, we present a new version of SigProfilerMatrixGenerator that now delivers integrated capabilities for examining large mutational events. The tool provides support for examining copy-number variants and structural variants under two previously developed classification schemas and it supports data from numerous algorithms and data modalities. SigProfilerMatrixGenerator is written in Python with an R wrapper package provided for users that prefer working in an R environment. Conclusions The new version of SigProfilerMatrixGenerator provides the first standardized bioinformatics tool for optimized exploration and visualization of two previously developed classification schemas for copy number and structural variants. The tool is freely available at https://github.com/AlexandrovLab/SigProfilerMatrixGenerator with an extensive documentation at https://osf.io/s93d5/wiki/home/ .