Abstract The ability to assay large numbers of low-abundance mutations is crucial in biomedicine. Yet, the technical hurdles of sequencing multiple mutations at extremely high depth and accuracy remain daunting. For sequencing low-level mutations, it’s either ‘depth or breadth’ but not both. Here, we report a simple and powerful approach to accurately track thousands of distinct mutations with minimal reads. Our technique called MAESTRO ( m inor a llele e nriched s equencing t hrough r ecognition o ligonucleotides) employs massively-parallel mutation enrichment to empower duplex sequencing—one of the most accurate methods—to track up to 10,000 low-frequency mutations with up to 100-fold less sequencing. In example use cases, we show that MAESTRO could enable mutation validation from cancer genome sequencing studies. We also show that it could track thousands of mutations from a patient’s tumor in cell-free DNA, which may improve detection of minimal residual disease from liquid biopsies. In all, MAESTRO improves the breadth, depth, accuracy, and efficiency of mutation testing.

Abstract Detecting mutations as rare as a single molecule is crucial in many fields such as cancer diagnostics and aging research but remains challenging. Third generation sequencers can read a double-stranded DNA molecule (a ‘single duplex’) in whole to identify true mutations on both strands apart from false mutations on either strand but with limited accuracy and throughput. Although next generation sequencing (NGS) can track dissociated strands with Duplex Sequencing, the need to sequence each strand independently severely diminishes its throughput. Here, we developed a hybrid method called Concatenating Original Duplex for Error Correction (CODEC) that combines the massively parallel nature of NGS with the single-molecule capability of third generation sequencing. CODEC physically links both strands to enable NGS to sequence a single duplex with a single read pair. By comparing CODEC and Duplex Sequencing, we showed that CODEC achieved a similar error rate (10 −6 ) with 100 times fewer reads and conferred ‘single duplex’ resolution to most major NGS workflows.

Abstract Analysis of DNA methylation in cell-free DNA (cfDNA) reveals clinically relevant biomarkers but requires specialized protocols and sufficient input material that limits its applicability. Millions of cfDNA samples have been profiled by genomic sequencing. To maximize the gene regulation information from the existing dataset, we developed FinaleMe, a non-homogeneous Hidden Markov Model (HMM), to predict DNA methylation of cfDNA and, therefore, tissues-of-origin directly from plasma whole-genome sequencing (WGS). We validated the performance with 80 pairs of deep and shallow-coverage WGS and whole-genome bisulfite sequencing (WGBS) data.