Abstract Summary GREAT is a widely used tool for functional enrichment on genomic regions. However, as an online tool, it has limitations of outdated annotation data, small numbers of supported organisms and gene set collections, and not being extensible for users. Here we developed a new R/Bioconductor package named rGREAT which implements the GREAT algorithm locally. rGREAT by default supports more than 500 organisms and a large number of gene set collections, as well as self-provided gene sets and organisms from users. Additionally, it implements a general method for dealing with background regions. Availability and implementation The package rGREAT is freely available from the Bioconductor project: https://bioconductor.org/packages/rGREAT/ . The development version is available at https://github.com/jokergoo/rGREAT . Gene Ontology gene sets for 556 organisms are freely available at https://jokergoo.github.io/rGREAT_genesets/ . Contact z.gu@dkfz.de or d.huebschmann@dkfz.de Supplementary information Supplementary data are available at Bioinformatics online.

Abstract Analysis of mutational signatures can reveal the underlying molecular mechanisms of the processes that have imprinted the somatic mutations found in a cancer genome. Here, we present a pan-cancer mutational signatures analysis of single base substitutions (SBS) and small insertion and deletions (ID) in pediatric cancers encompassing 537 whole genome sequenced tumors from 20 molecularly defined cancer subtypes. We identified only a small number of mutational signatures active in pediatric cancers when compared to the previously analyzed adult cancers. Further, we report a significant difference in the proportion of pediatric tumors which show homologous recombination repair defect signature SBS3 compared to prior analyses. Correlating genomic alterations with signature activities, we identified an association of TP53 mutation status with substitution signatures SBS2, SBS8, SBS13 and indel signatures ID2 and ID9, as well as chromothripsis associated with SBS8, SBS40 and ID9. This analysis provides a systematic overview of COSMIC v.3 SBS and ID mutational signatures active across pediatric cancers, which is highly relevant for understanding tumor biology as well as enabling future research in defining biomarkers of treatment response.

Abstract Measurements of metabolic compounds inside cells or tissues are of high informative potential since they represent the endpoint of biological information flow and a snapshot of the integration of many regulatory processes. However, it requires careful extraction to quantify their abundance. Here we present a comprehensive study using ten extraction protocols on four human sample types (liver tissue, bone marrow, HL60 and HEK cells) targeting 630 metabolites of different chemical classes. We show that the extraction efficiency and stability is highly variable across protocols and tissues by using different quality metrics including the limit of detection and variability between replicates as well as the sum of concentration as a global estimate of extraction stability. The profile of extracted metabolites depends on the used solvents - an observation which has implications for measurements of different sample types and metabolic compounds of interest. To identify the optimal extraction method for future metabolomics studies, the benchmark dataset was implemented in an easy-to-use, interactive and flexible online resource (R/shiny app MetaboExtract).

Abstract The long-term consequences of cancer or cancer therapy on the patients’ immune system years after cancer-free survival remain poorly understood. Here, we have performed an in-depth characterization of the bone marrow ecosystem of multiple myeloma long-term survivors at initial diagnosis and up to 17 years following cancer-free survival. Using comparative single-cell analyses in combination with molecular, genomic and functional approaches, we demonstrate that multiple myeloma long-term survivors display pronounced alterations in their bone marrow microenvironment associated with impaired immunity. These immunological alterations were frequently driven by an inflammatory immune circuit fueled by the long-term persistence or resurgence of residual myeloma cells. Notably, even in the complete absence of any detectable residual disease for decades, sustained changes in the immune system were observed, suggesting an irreversible ‘immunological scarring’ caused by the initial exposure to the cancer and therapy. Collectively, our study provides key insights into the molecular and cellular bone marrow ecosystem of multiple myeloma long-term survivors, revealing reversible and irreversible alterations of the immune compartment, which can serve as diagnostic and predictive tools. Statement of significance Large-scale single-cell profiling of a unique cohort of multiple myeloma long-term survivors uncovered that exposure to cancer and its treatment causes both reversible and irreversible immune alterations associated with impaired immunity. These findings have far-reaching implications for the understanding of long-term immune alterations in cancer, which need to be considered also in the context of immune therapeutic approaches. Furthermore, our study demonstrates how cancer-associated immune trafficking can be used to predict disease re-initiation in the bone marrow, opening new avenues for minimally invasive disease monitoring.

Abstract Summary ZygosityPredictor provides functionality to evaluate how many copies of a gene are affected by mutations in next generation sequencing data. In cancer samples, the tool processes both somatic and germline mutations. In particular, ZygosityPredictor computes the number of affected copies for single nucleotide variants and small insertions and deletions (Indels). In addition, the tool integrates information at gene level via phasing of several variants and subsequent logic to derive how strongly a gene is affected by mutations and provides a measure of confidence. This information is of particular interest in precision oncology, e.g. when assessing whether unmutated copies of tumor-suppressor genes remain. Availability and implementation ZygosityPredictor was implemented as an R-package and is available via Bioconductor at https://bioconductor.org/packages/ZygosityPredictor . Detailed documentation is provided in the vignette including application to an example genome.

Abstract Background Cerebral organoids simulate the structure and function of the developing human brain in vitro , offering a large potential for personalized therapeutic strategies. The enormous growth of this research area over the past decade with its capability for clinical translation makes a non-invasive, automated analysis pipeline of organoids highly desirable. Purpose This work presents the first application of magnetic resonance imaging (MRI) for the non-invasive quantification and quality assessment of cerebral organoids using an automated analysis tool. Three specific objectives are addressed, namely organoid segmentation to investigate organoid development over time, global cysticity classification, and local cyst segmentation. Methods Nine wildtype cerebral organoids were imaged over nine weeks using high-field 9.4T MRI including a 3D T2*-w and 2D diffusion tensor imaging (DTI) sequence. This dataset was used to train a deep learning-based 3D U-Net for organoid and local cyst segmentation. For global cysticity classification, we developed a new metric, compactness , to separate low- and high-quality organoids. Results The 3D U-Net achieved a Dice score of 0.92±0.06 (mean ± SD) for organoid segmentation in the T2*-w sequence. For global cysticity classification, compactness separated low- and high-quality organoids with high accuracy (ROC AUC 0.98). DTI showed that low-quality organoids have a significantly higher diffusion than high-quality organoids (p < .001). For local cyst segmentation in T2*-w, the 3D U-Net achieved a Dice score of 0.63±0.15 (mean ± SD). Conclusion We present a novel non-invasive approach to monitor and analyze cerebral organoids over time using high-field MRI and state-of-the-art tools for automated image analysis, offering a comparative pipeline for personalized medicine. We show that organoid growth can be monitored reliably over time and low- and high-quality organoids can be separated with high accuracy. Local cyst segmentation is feasible but could be further improved in the future.

Abstract The widespread use of high-throughput sequencing techniques is leading to a rapidly increasing number of disease-associated variants of unknown significance and candidate genes. Integration of knowledge concerning their genetic, protein as well as functional and conservational aspects is necessary for an exhaustive assessment of their relevance and for prioritization of further clinical and functional studies investigating their role in human disease. In order to collect the necessary information, a multitude of different databases has to be accessed and data extraction from the original sources commonly is not user-friendly and requires advanced bioinformatics skills. This leads to a decreased data accessibility for a relevant number of potential users such as clinicians, geneticist, and clinical researchers. Here, we present aRgus ( https://argus.urz.uni-heidelberg.de/ ), a standalone webtool for simple extraction and intuitive visualization of multi-layered gene, protein, variant, and variant effect prediction data. aRgus provides interactive exploitation of these data within seconds for any known gene of the human genome. In contrast to existing online platforms for compilation of variant data, aRgus complements visualization of chromosomal exon-intron structure and protein domain annotation with ClinVar and gnomAD variant distributions as well as position-specific variant effect prediction score modeling. aRgus thereby enables timely assessment of protein regions vulnerable to variation with single amino acid resolution and provides numerous applications in variant and protein domain interpretation as well as in the design of in vitro experiments.

Abstract Summary Spiral layout has two major advantages for data visualization. First, it is able to visualize data with long axes, which greatly improves the resolution of visualization. Second, it is efficient for time series data to reveal periodic patterns. Here we present the R package spiralize that provides a general solution for visualizing data on spirals. spiralize implements numerous graphics functions so that self-defined high-level graphics can be easily implemented by users. The flexibility and power of spiralize are demonstrated by five examples from real-world datasets. Availability and implementation The spiralize package and documentations are freely available at the Comprehensive R Archive Network (CRAN) https://CRAN.R-project.org/package=spiralize . Contact z.gu@dkfz.de or d.huebschmann@dkfz.de Supplementary information Supplementary data are available at Bioinformatics online.

The International Cancer Genome Consortium (ICGC)'s Pan-Cancer Analysis of Whole Genomes (PCAWG) project aimed to categorize somatic and germline variations in both coding and non-coding regions in over 2,800 cancer patients. To provide this dataset to the research working groups for downstream analysis, the PCAWG Technical Working Group marshalled ~800TB of sequencing data from distributed geographical locations; developed portable software for uniform alignment, variant calling, artifact filtering and variant merging; performed the analysis in a geographically and technologically disparate collection of compute environments; and disseminated high-quality validated consensus variants to the working groups. The PCAWG dataset has been mirrored to multiple repositories and can be located using the ICGC Data Portal. The PCAWG workflows are also available as Docker images through Dockstore enabling researchers to replicate our analysis on their own data.

Abstract Consensus partitioning is an unsupervised method widely used in high throughput data analysis for revealing subgroups and assigns stability for the classification. However, standard consensus partitioning procedures are weak to identify large numbers of stable subgroups. There are two main issues. 1. Subgroups with small differences are difficult to separate if they are simultaneously detected with subgroups with large differences. And 2. stability of classification generally decreases as the number of subgroups increases. In this work, we proposed a new strategy to solve these two issues by applying consensus partitionings in a hierarchical procedure. We demonstrated hierarchical consensus partitioning can be efficient to reveal more subgroups. We also tested the performance of hierarchical consensus partitioning on revealing a great number of subgroups with a DNA methylation dataset. The hierarchical consensus partitioning is implemented in the R package cola with comprehensive functionality for analysis and visualizations. It can also automate the analysis only with a minimum of two lines of code, which generates a detailed HTML report containing the complete analysis.