Abstract Subpopulations of tumor cells characterized by mutation profiles may confer differential fitness and consequently influence prognosis of cancers. Understanding subclonal architecture has the potential to provide biological insight in tumor evolution and advance precision cancer treatment. Recent methods comprehensively integrate single nucleotide variants (SNVs) and copy number aberrations (CNAs) to reconstruct subclonal architecture using whole-genome or whole-exome sequencing (WGS, WES) data from bulk tumor samples. However, the commonly used Bayesian methods require a large amount of computational resources, a prior knowledge of the number of subclones, and extensive post-processing. Regularized likelihood modeling approach, never explored for subclonal reconstruction, can inherently address these drawbacks. We therefore propose a model-based method, Cl onal structure i dentification through pair-wise P enalization, or CliP, for clustering subclonal mutations without prior knowledge or post-processing. The CliP model is applicable to genomic regions with or without CNAs. CliP demonstrates high accuracy in subclonal reconstruction through extensive simulation studies. Utilizing the well-established regularized likelihood framework, CliP takes only 16 hours to process WGS data from 2,778 tumor samples in the ICGC-PCAWG study, and 38 hours to process WES data from 9,564 tumor samples in the TCGA study. In summary, a penalized likelihood framework for subclonal reconstruction will help address intrinsic drawbacks of existing methods and expand the scope of computational analysis for cancer evolution in large cancer genomic studies. The associated software tool is freely available at: https://github.com/wwylab/CliP .

The multi-enzyme pyruvate dehydrogenase complex (PDC) links glycolysis to the citric acid cycle by converting pyruvate into acetyl-coenzyme A and is essential for cellular energy metabolism. Although individual components have been characterized, the structure of intact PDC remains unclear, hampering our understanding of its composition and multi-step catalytic reactions. Here, we report the in-situ architecture of intact PDC within mammalian mitochondria by cryo-electron tomography. The organization of peripheral E1 and E3 multimers varies substantially among PDCs. We discovered 1-46 E1 heterotetramers surrounding each PDC core, and up to 12 E3 dimers locating primarily along the pentagonal openings. Furthermore, we observed dynamic interactions of the substrate translocating lipoyl domains (LDs) with both E1 and E2, implicating the mechanism of substrate channeling. Our findings reveal the intrinsic dynamics of PDC peripheral compositions, suggesting an additional model in which the number of assembled E1 heterotetramer, E3 dimer, and functional LDs of PDC may be regulated to further control its catalytic activity.

Intra-tumor heterogeneity is an important driver of tumor evolution and therapy response. Advances in precision cancer treatment will require understanding of mutation clonality and subclonal architecture. Currently the slow computational speed of subclonal reconstruction hinders large cohort studies. To overcome this bottleneck, we developed Clonal structure identification through Pairwise Penalization, or CliPP, which clusters subclonal mutations using a regularized likelihood model. CliPP reliably processed whole-genome and whole-exome sequencing data from over 12,000 tumor samples within 24 hours, thus enabling large-scale downstream association analyses between subclonal structures and clinical outcomes. Through a pan-cancer investigation of 7,827 tumors from 32 cancer types, we found that high subclonal mutational load (sML), a measure of latency time in tumor evolution, was significantly associated with better patient outcomes in 16 cancer types with low to moderate tumor mutation burden (TMB). In a cohort of prostate cancer patients participating in an immunotherapy clinical trial, high sML was indicative of favorable response to immune checkpoint blockade. This comprehensive study using CliPP underscores sML as a key feature of cancer. sML may be essential for linking mutation dynamics with immunotherapy response in the large population of non-high TMB cancers.