Muscle-invasive bladder cancers (MIBCs) are biologically heterogeneous and have widely variable clinical outcomes and responses to conventional chemotherapy. We discovered three molecular subtypes of MIBC that resembled established molecular subtypes of breast cancer. Basal MIBCs shared biomarkers with basal breast cancers and were characterized by p63 activation, squamous differentiation, and more aggressive disease at presentation. Luminal MIBCs contained features of active PPARγ and estrogen receptor transcription and were enriched with activating FGFR3 mutations and potential FGFR inhibitor sensitivity. p53-like MIBCs were consistently resistant to neoadjuvant methotrexate, vinblastine, doxorubicin and cisplatin chemotherapy, and all chemoresistant tumors adopted a p53-like phenotype after therapy. Our observations have important implications for prognostication, the future clinical development of targeted agents, and disease management with conventional chemotherapy.

Muscle-invasive bladder cancer (MIBC) is a molecularly diverse disease with heterogeneous clinical outcomes. Several molecular classifications have been proposed, but the diversity of their subtype sets impedes their clinical application.To achieve an international consensus on MIBC molecular subtypes that reconciles the published classification schemes.We used 1750 MIBC transcriptomic profiles from 16 published datasets and two additional cohorts.We performed a network-based analysis of six independent MIBC classification systems to identify a consensus set of molecular classes. Association with survival was assessed using multivariable Cox models.We report the results of an international effort to reach a consensus on MIBC molecular subtypes. We identified a consensus set of six molecular classes: luminal papillary (24%), luminal nonspecified (8%), luminal unstable (15%), stroma-rich (15%), basal/squamous (35%), and neuroendocrine-like (3%). These consensus classes differ regarding underlying oncogenic mechanisms, infiltration by immune and stromal cells, and histological and clinical characteristics, including outcomes. We provide a single-sample classifier that assigns a consensus class label to a tumor sample's transcriptome. Limitations of the work are retrospective clinical data collection and a lack of complete information regarding patient treatment.This consensus system offers a robust framework that will enable testing and validation of predictive biomarkers in future prospective clinical trials.Bladder cancers are heterogeneous at the molecular level, and scientists have proposed several classifications into sets of molecular classes. While these classifications may be useful to stratify patients for prognosis or response to treatment, a consensus classification would facilitate the clinical use of molecular classes. Conducted by multidisciplinary expert teams in the field, this study proposes such a consensus and provides a tool for applying the consensus classification in the clinical setting.

An early report on the molecular subtyping of muscle-invasive bladder cancer (MIBC) by gene expression suggested that response to neoadjuvant chemotherapy (NAC) varies by subtype.To investigate the ability of molecular subtypes to predict pathological downstaging and survival after NAC.Whole transcriptome profiling was performed on pre-NAC transurethral resection specimens from 343 patients with MIBC. Samples were classified according to four published molecular subtyping methods. We developed a single-sample genomic subtyping classifier (GSC) to predict consensus subtypes (claudin-low, basal, luminal-infiltrated and luminal) with highest clinical impact in the context of NAC. Overall survival (OS) according to subtype was analyzed and compared with OS in 476 non-NAC cases (published datasets).Gene expression analysis was used to assign subtypes.Receiver-operating characteristics were used to determine the accuracy of GSC. The effect of GSC on survival was estimated by Cox proportional hazard regression models.The models generated subtype calls in expected ratios with high concordance across subtyping methods. GSC was able to predict four consensus molecular subtypes with high accuracy (73%), and clinical significance of the predicted consensus subtypes could be validated in independent NAC and non-NAC datasets. Luminal tumors had the best OS with and without NAC. Claudin-low tumors were associated with poor OS irrespective of treatment regimen. Basal tumors showed the most improvement in OS with NAC compared with surgery alone. The main limitations of our study are its retrospective design and comparison across datasets.Molecular subtyping may have an impact on patient benefit to NAC. If validated in additional studies, our results suggest that patients with basal tumors should be prioritized for NAC. We discovered the first single-sample classifier to subtype MIBC, which may be suitable for integration into routine clinical practice.Different molecular subtypes can be identified in muscle-invasive bladder cancer. Although cisplatin-based neoadjuvant chemotherapy improves patient outcomes, we identified that the benefit is highest in patients with basal tumors. Our newly discovered classifier can identify these molecular subtypes in a single patient and could be integrated into routine clinical practice after further validation.

There is a clear need for a molecular subtyping approach in prostate cancer to identify clinically distinct subgroups that benefit from specific therapies.To identify prostate cancer subtypes based on luminal and basal lineage and to determine associations with clinical outcomes and response to treatment.The PAM50 classifier was used to subtype 1567 retrospectively collected (median follow-up, 10 years) and 2215 prospectively collected prostate cancer samples into luminal- and basal-like subtypes.Metastasis, biochemical recurrence, overall survival, prostate cancer–specific survival, associations with biological pathways, and clinicopathologic variables were the main outcomes.Among the 3782 samples, the PAM50 classifier consistently segregated prostate cancer into 3 subtypes in both the retrospective and prospective cohorts: luminal A (retrospective, 538 [34.3%]; prospective, 737 [33.3%]), luminal B (retrospective, 447 [28.5%]; prospective, 723 [32.6%]), and basal (retrospective, 582 [37.1%]; prospective, 755 [34.1%]). Known luminal lineage markers, such as NKX3.1 and KRT18, were enriched in luminal-like cancers, and the basal lineage CD49f signature was enriched in basal-like cancers, demonstrating the connection between these subtypes and established prostate cancer biology. In the retrospective cohort, luminal B prostate cancers exhibited the poorest clinical prognoses on both univariable and multivariable analyses accounting for standard clinicopathologic prognostic factors (10-year biochemical recurrence-free survival [bRFS], 29%; distant metastasis-free survival [DMFS], 53%; prostate cancer-specific survival [PCSS], 78%; overall survival [OS], 69%), followed by basal prostate cancers (10-year bRFS, 39%; DMFS, 73%; PCSS, 86%; OS, 80%) and luminal A prostate cancers (10-year bRFS, 41%; DMFS, 73%; PCSS, 89%; OS, 82%). Although both luminal-like subtypes were associated with increased androgen receptor expression and signaling, only luminal B prostate cancers were significantly associated with postoperative response to androgen deprivation therapy (ADT) in a subset analysis in our retrospective cohorts (n = 315) matching patients based on clinicopathologic variables (luminal B 10-year metastasis: treated, 33% vs untreated, 55%; nonluminal B 10-year metastasis: treated, 37% vs untreated, 21%; P = .006 for interaction).Luminal- and basal-like prostate cancers demonstrate divergent clinical behavior, and patients with luminal B tumors respond better to postoperative ADT than do patients with non–luminal B tumors. These findings contribute novel insight into prostate cancer biology, providing a potential clinical tool to personalize ADT treatment for prostate cancer by predicting which men may benefit from ADT after surgery.

Muscle-Invasive Bladder Cancer (MIBC) is a molecularly diverse disease with heterogeneous clinical outcomes. Several molecular classifications have been proposed, yielding diverse sets of subtypes. This diversity hampers the clinical application of such knowledge. Here, we report the results of a large international effort to reach a consensus on MIBC molecular subtypes. Using 1750 MIBC transcriptomes and a network-based analysis of six independent MIBC classification systems, we identified a consensus set of six molecular classes: Luminal Papillary (24%), Luminal Non-Specified (8%), Luminal Unstable (15%), Stroma-rich (15%), Basal/Squamous (35%), and Neuroendocrine-like (3%). These consensus classes differ regarding underlying oncogenic mechanisms, infiltration by immune and stromal cells, and histological and clinical characteristics. This consensus system offers a robust framework that will enable testing and validating predictive biomarkers in future clinical trials.

Abstract In bladder cancer (BLCA) there are, to date, no reliable diagnostics available to predict the potential benefit of a therapeutic approach. The extraordinarily high molecular heterogeneity of BLCA might explain its wide range of therapy responses to empiric treatments. To better stratify patients for treatment response, we present a highly automated workflow for in-silico drug response prediction based on a tumor’s individual multi-omic profile. Within the TCGA-BLCA cohort, the algorithm identified a panel of 21 genes and 72 drugs, that suggested personalized treatment for 94,7% of patients - including five genes not yet reported as biomarkers for clinical testing in BLCA. The automated predictions were complemented by manually curated data, thus allowing for accurate sensitivity- or resistance-directed drug response predictions. Manual curation revealed pitfalls of current, and potential of future drug-gene interaction databases. Functional testing in patient derived models and/or clinical trials are next steps to validate our in-silico drug predictions.