Breast cancers are complex ecosystems of malignant cells and the tumour microenvironment1. The composition of these tumour ecosystems and interactions within them contribute to responses to cytotoxic therapy2. Efforts to build response predictors have not incorporated this knowledge. We collected clinical, digital pathology, genomic and transcriptomic profiles of pre-treatment biopsies of breast tumours from 168 patients treated with chemotherapy with or without HER2 (encoded by ERBB2)-targeted therapy before surgery. Pathology end points (complete response or residual disease) at surgery3 were then correlated with multi-omic features in these diagnostic biopsies. Here we show that response to treatment is modulated by the pre-treated tumour ecosystem, and its multi-omics landscape can be integrated in predictive models using machine learning. The degree of residual disease following therapy is monotonically associated with pre-therapy features, including tumour mutational and copy number landscapes, tumour proliferation, immune infiltration and T cell dysfunction and exclusion. Combining these features into a multi-omic machine learning model predicted a pathological complete response in an external validation cohort (75 patients) with an area under the curve of 0.87. In conclusion, response to therapy is determined by the baseline characteristics of the totality of the tumour ecosystem captured through data integration and machine learning. This approach could be used to develop predictors for other cancers.

Chromosomal instability (CIN) results in the accumulation of large-scale losses, gains and rearrangements of DNA1. The broad genomic complexity caused by CIN is a hallmark of cancer2; however, there is no systematic framework to measure different types of CIN and their effect on clinical phenotypes pan-cancer. Here we evaluate the extent, diversity and origin of CIN across 7,880 tumours representing 33 cancer types. We present a compendium of 17 copy number signatures that characterize specific types of CIN, with putative aetiologies supported by multiple independent data sources. The signatures predict drug response and identify new drug targets. Our framework refines the understanding of impaired homologous recombination, which is one of the most therapeutically targetable types of CIN. Our results illuminate a fundamental structure underlying genomic complexity in human cancers and provide a resource to guide future CIN research.

Abstract Low-coverage or shallow whole genome sequencing (sWGS) approaches can efficiently detect somatic copy number aberrations (SCNAs) at low cost. This is clinically important for many cancers, in particular cancers with severe chromosomal instability (CIN) that frequently lack actionable point mutations and are characterised by poor disease outcome. Absolute copy number (ACN), measured in DNA copies per cancer cell, is required for meaningful comparisons between copy number states, but is challenging to estimate and in practice often requires manual curation. Using a total of 60 cancer cell lines, 148 patient-derived xenograft (PDX) and 142 clinical tissue samples, we evaluate the performance of available tools for obtaining ACN from sWGS. We provide a validated and refined tool called Rascal ( r elative to a bsolute copy number scal ing) that provides improved fitting algorithms and enables interactive visualisation of copy number profiles. These approaches are highly applicable to both pre-clinical and translational research studies on SCNA-driven cancers and provide more robust ACN fits from sWGS data than currently available tools.

Abstract Purpose High grade serous carcinoma (HGSC) is the commonest type of ovarian cancer. Nearly all HGSC cases are diagnosed at late stage and it is not clear whether early stage HGSC has unique characteristics compared to late stage tumours. Experimental Design We analysed samples from 45 patients with FIGO stage I - IIA HGSC - 40 from the pathology archives of three large UK cancer centres and 5 from the BriTROC-1 study. We performed shallow whole genome sequencing (sWGS) and targeted next generation sequencing to investigate somatic mutations and copy number alterations. We compared results to 51 stage IIIC/IV HGSC patients from the BriTROC-1 study. Results There was no difference in median age between the early stage (median 61.3 years, range 40-84) and late stage (median 62.3 years, range 34-76) patients at diagnosis. TP53 mutations were near-universal (92% early stage, 100% late stage samples) and there were no significant differences in the rates of other somatic mutations, including BRCA1 and BRCA2 , or focal copy number alterations between early- and late-stage cohorts. There were also no unique amplifications or deletions in either cohort. However, median ploidy was greater in late stage (median 3.1) than early stage (median 2.0) samples. In addition, there were higher numbers of breakpoints per 10MB and per chromosome arm and higher absolute copy number in late stage than early stage cohorts; early stage samples had longer segment length. Overall copy number signature exposures were significantly different between early and late stage samples with greater signature 3 exposure in early stage and greater signature 4 in late stage. Both simplex plot and unsupervised hierarchical clustering suggested that a subset of late stage samples retain early stage appearances with high signature 3 and co-clustering with the early stage samples Conclusions These data suggest that there are no unique mutations or focal copy number alterations in early stage HGSC. However, whole genome duplication is significantly more common in late-stage disease, suggesting evolution during disease progression. However, a subset of late stage HGSC retains early-stage features, which are associated with improved overall survival.

Abstract Cancer cells often exhibit DNA copy number aberrations and can vary widely in their ploidy. Correct estimation of the ploidy of single cell genomes is paramount for downstream analysis. Based only on single-cell DNA sequencing information, scAbsolute achieves accurate and unbiased measurement of single-cell ploidy and replication status, including whole-genome duplications. We demonstrate scAbsolute’s capabilities using experimental cell multiplets, a FUCCI cell cycle expression system, and a benchmark against state-of-the-art methods. scAbsolute provides a robust foundation for single-cell DNA sequencing analysis across different technologies and has the potential to enable improvements in a number of downstream analyses.

We present SVclone, a computational method for inferring the cancer cell fraction of structural variant breakpoints from whole-genome sequencing data. We validate our approach using simulated and real tumour samples, and demonstrate its utility on 2,778 whole-genome sequenced tumours. We find a subset of liver, breast and ovarian cancer cases with decreased overall survival that have subclonally enriched copy-number neutral rearrangements, an observation that could not be discovered with currently available methods.

Williams et al. (Nat. Genet. 48:238-224, 2016) recently reported neutral tumor evolution in one third of 904 samples from The Cancer Genome Atlas. Here, we assess the reproducibility and validity of their method and the extent of positive selection in subclonal mutations across cancer types. Our results do not support observable neutral tumor evolution and uncover strong positive selection within subclonal mutations across cancers.

Targeted therapy for patients with HER2 positive (HER2+) breast cancer has improved the overall survival, but many patients still suffer relapse and death of the disease. Intra-tumor heterogeneity of both estrogen receptor (ER) and HER2 expression has been proposed to play a key role in treatment failure, but little work has been done to comprehensively study this heterogeneity at the single-cell level. In this study, we explored the clinical impact of intra-tumor heterogeneity of ER protein expression, HER2 protein expression, and HER2 gene copy number alterations. Using combined immunofluorescence and in situ hybridization on tissue sections followed by a validated computational approach, we analyzed more than 13,000 single tumor cells across 37 HER2+ breast tumors. The samples were taken both before and after neoadjuvant chemotherapy plus HER2- targeted treatment, enabling us to study tumor evolution as well. We found that intra-tumor heterogeneity for HER2 copy number varied substantially between patient samples. Highly heterogeneous tumors were associated with significantly shorter disease free survival and fewer long-term survivors. Patients for which HER2 characteristics did not change during treatment had a significantly worse outcome. This work shows the impact of intra-tumor heterogeneity in molecular diagnostics for treatment selection in HER2+ breast cancer patients and the power of computational scoring methods to evaluate in situ molecular markers in tissue biopsies.

Allele-specific copy number alterations are commonly used to trace the evolution of tumours. A key step of the analysis is to segment genomic data into regions of constant copy number. For precise phylogenetic inference, breakpoints shared between samples need to be aligned to each other. Here we present asmultipcf, an algorithm for allele-specific segmentation of multiple samples that infers private and shared segment boundaries of phylogenetically related samples. The output of this algorithm can directly be used for allele-specific copy number calling using ASCAT. asmultipcf is available as part of the ASCAT R package (version > 2.5) from github.com/Crick-CancerGenomics/ascat

A key challenge in quantitative ChIP-seq is the normalisation of data in the presence of genome-wide changes in occupancy. Analysis-based normalisation methods were developed for transcriptomic data and these are dependent on the underlying assumption that total transcription does not change between conditions. For genome-wide changes in transcription factor binding, these assumptions do not hold true. The challenges in normalisation are confounded by experimental variability during sample preparation, processing, and recovery. We present a novel normalisation strategy utilising an internal standard of unchanged peaks for reference. Our method can be readily applied to monitor genome- wide changes by ChIP-seq that are otherwise lost or misrepresented through analytical normalisation. We compare our approach to normalisation by total read depth and two alternative methods that utilise external experimental controls to study transcription factor binding. We successfully resolve the key challenges in quantitative ChIP-seq analysis and demonstrate its application by monitoring the loss of Estrogen Receptor-alpha (ER) binding upon fulvestrant treatment, ER binding in response to estrodiol, ER mediated change in H4K12 acetylation and profiling ER binding in Patient-Derived Xenographs. This is supported by an adaptable pipeline to normalise and quantify differential transcription factor binding genome- wide and generate metrics for differential binding at individual sites.