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 The emergence of Next-Generation Sequencing (NGS) has revolutionized the way of reaching a genome sequence, with the promise of potentially providing a comprehensive characterization of DNA variations. Nevertheless, detecting somatic mutations is still a difficult problem, in particular when trying to identify low abundance mutations such as subclonal mutations, tumour-derived alterations in body fluids or somatic mutations from histological normal tissue. The main challenge is to precisely distinguish between sequencing artefacts and true mutations, particularly when the latter are so rare they reach similar abundance levels as artefacts. Here, we present needlestack, a highly sensitive variant caller, which directly learns from the data the level of systematic sequencing errors to accurately call mutations. Needlestack is based on the idea that the sequencing error rate can be dynamically estimated from analyzing multiple samples together. We show that the sequencing error rate varies across alterations, illustrating the need to precisely estimate it. We evaluate the performance of needlestack for various types of variations, and we show that needlestack is robust among positions and outperforms existing state-of-the-art method for low abundance mutations. Needlestack, along with its source code is freely available on the GitHub plateform: https://github.com/IARCbioinfo/needlestack .

Abstract Background The CanRisk tool, which operationalises the Breast and Ovarian Analysis of Disease Incidence and Carrier Estimation Algorithm (BOADICEA) is used by Clinical Geneticists, Genetic Counsellors, Breast Oncologists, Surgeons and Family History Nurses for breast cancer risk assessments both nationally and internationally. There are currently no guidelines with respect to the day-to-day clinical application of CanRisk and differing inputs to the model can result in different recommendations for practice. Methods To address this gap, the UK Cancer Genetics Group in collaboration with the Association of Breast Surgery and the CanGene-CanVar programme held a workshop on 16 th of May 2023, with the aim of establishing best practice guidelines. Results Using a pre-workshop survey followed by structured discussion and in-meeting polling, we achieved consensus for UK best practice in use of CanRisk in making recommendations for breast cancer surveillance, eligibility for genetic testing and the input of available information to undertake an individualised risk assessment. Conclusions Whilst consensus recommendations were achieved, the meeting highlighted some of the barriers limiting the use of CanRisk in clinical practice and identified areas that require further work and collaboration with relevant national bodies and policy makers to incorporate wider use of CanRisk into routine breast cancer risk assessments.

Germline copy number variants (CNVs) increase risk for many diseases, yet detection of CNVs and quantifying their contribution to disease risk in large-scale studies is challenging. We developed an approach called CNPBayes to identify latent batch effects, to provide probabilistic estimates of integer copy number across the estimated batches, and to fully integrate the copy number uncertainty in the association model for disease. We demonstrate this approach in a Pancreatic Cancer Case Control study of 7,598 participants where the major sources of technical variation were not captured by study site and varied across the genome. Candidate associations aided by this approach include deletions of 8q24 near regulatory elements of the tumor oncogene MYC and of Tumor Supressor Candidate 3 (TUSC3). This study provides a robust Bayesian inferential framework for estimating copy number and evaluating the role of copy number in heritable diseases.