Paz Polak, Jaegil Kim, Lior Z. Braunstein and colleagues have identified patterns of genome-wide mutation in certain breast cancers that can be used to identify those with DNA-repair deficiencies that make the tumor more likely to respond to therapies based on PARP inhibitors or platinum. In contrast, oncogenic mutations in several other DNA-repair genes do not generate these patterns. Biallelic inactivation of BRCA1 or BRCA2 is associated with a pattern of genome-wide mutations known as signature 3. By analyzing ∼1,000 breast cancer samples, we confirmed this association and established that germline nonsense and frameshift variants in PALB2, but not in ATM or CHEK2, can also give rise to the same signature. We were able to accurately classify missense BRCA1 or BRCA2 variants known to impair homologous recombination (HR) on the basis of this signature. Finally, we show that epigenetic silencing of RAD51C and BRCA1 by promoter methylation is strongly associated with signature 3 and, in our data set, was highly enriched in basal-like breast cancers in young individuals of African descent.

Somatic mosaicism in normal tissues Somatic cells can accumulate mutations over the course of an individual's lifetime. This generates cells that differ genetically at specific loci within the genome. To explore how this genetic diversity in individuals contributes to disease, Yizhak et al. developed a method to detect mutations from RNA sequencing data (see the Perspective by Tomasetti). Applying this method to Cancer Genome Atlas samples and normal samples from the Genotype-Tissue Expression (GTEx) project generated a tissue-specific study of mutation accumulation. Somatic mutations were detected in nearly all individuals and across many normal human tissues in genomic regions called cancer hotspots and in genes that play a role in cancer. Interestingly, the skin, lung, and esophagus exhibited the most mutations, suggesting that the environment generates many human mutations. Science , this issue p. eaaw0726 ; see also p. 938

ABSTRACT Chromatin structure has a major influence on the cell-specific density of somatic mutations along the cancer genome. Here, we present a pan-cancer study in which we searched for the putative cancer cell-of-origin of 2,550 whole genomes, representing 32 cancer types by matching their mutational landscape to the regional patterns of chromatin modifications ascertained in 104 normal tissue types. We found that, in almost all cancer types, the cell-of-origin can be predicted solely from their DNA sequences. Our analysis validated the hypothesis that high-grade serous ovarian cancer originates in the fallopian tube and identified distinct origins of breast cancer subtypes. We also demonstrated that the technique is equally capable of identifying the cell-of-origin for a series of 2,044 metastatic samples from 22 of the tumor types available as primaries. Moreover, cancer drivers, whether inherited or acquired, reside in active chromatin regions in the respective cell-of-origin. Taken together, our findings highlight that many somatic mutations accumulate while the chromatin structure of the cell-of-origin is maintained and that this historical record, captured in the DNA, can be used to identify the often elusive cancer cell-of-origin.

Abstract A lymphocyte suffers many threats to its genome, including programmed mutation during differentiation, antigen-driven proliferation and residency in diverse microenvironments. After developing protocols for single-cell lymphocyte expansions, we sequenced whole genomes from 717 normal naive and memory B and T lymphocytes and hematopoietic stem cells. Lymphocytes carried more point mutations and structural variation than stem cells, accruing at higher rates in T than B cells, attributable to both exogenous and endogenous mutational processes. Ultraviolet light exposure and other sporadic mutational processes generated hundreds to thousands of mutations in some memory lymphocytes. Memory B cells acquired, on average, 18 off-target mutations genome-wide for every one on-target IGV mutation during the germinal center reaction. Structural variation was 16-fold higher in lymphocytes than stem cells, with ~15% of deletions being attributable to off-target RAG activity. One Sentence Summary: The mutational landscape of normal lymphocytes chronicles the off-target effects of programmed genome engineering during immunological diversification and the consequences of differentiation, proliferation and residency in diverse microenvironments.

Cancer genome studies have significantly advanced our knowledge of somatic mutations. However, how these mutations accumulate in normal cells and whether they promote pre-cancerous lesions remains poorly understood. Here we perform a comprehensive analysis of normal tissues by utilizing RNA sequencing data from ~6,700 samples across 29 normal tissues collected as part of the Genotype-Tissue Expression (GTEx) project. We identify somatic mutations using a newly developed pipeline, RNA-MuTect, for calling somatic mutations directly from RNA-seq samples and their matched-normal DNA. When applied to the GTEx dataset, we detect multiple variants across different tissues and find that mutation burden is associated with both the age of the individual and tissue proliferation rate. We also detect hotspot cancer mutations that share tissue specificity with their matched cancer type. This study is the first to analyze a large number of samples across multiple normal tissues, identifying clones with genomic aberrations observed in cancer.

Abstract We here present COOBoostR ( https://github.com/SWJ9385/COOBoostR ), a computational method designed for the putative prediction of tissue-or cell-of-origin of various cancer types. COOBoostR leverages regional somatic mutation density information and chromatin mark features to be applied to an extreme gradient boosting-based machine-learning algorithm. COOBoostR ranks chromatin marks from various tissue and cell types which best explain the somatic mutation density landscape of any sample of interest. Through integrating either ChIP-seq based chromatin data or bulk/single cell chromatin accessibility data along with regional somatic mutation density data derived from normal cells/tissue, precancerous lesions, and cancer types, we show that COOBoostR outperforms existing random forest-based methods in prediction speed with comparable or better tissue or cell-of-origin prediction performance. In addition, our results suggest a dynamic somatic mutation accumulation at the normal tissue or cell stage which could be intertwined with the changes in open chromatin marks and enhancer sites. These results further represent chromatin marks shaping the somatic mutation landscape at the early stage of mutation accumulation, possibly even before the initiation of precancerous lesions or neoplasia.