Background: Commercial gene expression signatures of prostate cancer (PCa) prognosis were developed and validated in cohorts of predominantly European American men (EAM). Limited research exists on the value of such signatures in African American men (AAM), who have poor PCa outcomes. We explored differences in gene expression between EAM and AAM for three commercially available panels recommended by the National Comprehensive Cancer Network for PCa prognosis. Materials and Methods: 232 EAM and 95 AAM patients provided radical prostatectomy specimens. Gene expression was quantified using Nanostring for 60 genes spanning the Oncotype DX Prostate, Prolaris, and Decipher panels. A continuous expression-based risk score was approximated for each. Differential expression, intrapanel co-expression and risk by race were assessed. Results and limitations: Clinical and pathologic features were similar between AAM and EAM. Differential expression by race was observed for 48% of genes measured, though the magnitudes of expression differences were small. Co-expression patterns were more strongly preserved by race group for Oncotype DX and Decipher versus Prolaris (integrative correlations of 0.87, 0.73, and 0.62, respectively). Poorer prognosis was estimated in EAM versus AAM for Oncotype DX (p < 0.001), whereas no difference in prognosis was predicted between AAM and EAM using Prolaris or Decipher (p > 0.05). Replication of our findings directly on the commercial panels with long-term follow-up is warranted. Conclusions: Due to observed racial differences across three commercial gene expression panels for PCa prognosis, caution is warranted when applying these panels in clinical decision-making in AAM.

The increasing availability of public data resources coupled with advancements in genomic technology has created vast opportunities for researchers to examine the genome on a large and complex scale. To meet the need for integrative genome wide exploration, we present epiTAD. This web-based tool enables researchers to compare genomic structures and annotations across multiple databases and platforms in an interactive manner in order to facilitate in silico discovery. epiTAD can be accessed at https://apps.gerkelab.com/epiTAD/.

Abstract Background Spatial molecular data is increasingly being generated in biological tissue studies to increase our understanding of cell infiltration and spatial architecture of tissues. Examples of technologies used to study the spatial contexture of tissues are single-cell protein expression assays and spatial transcriptomics. The increased use of spatial biology technologies has also resulted in an increase in the development of statistical methods to describe the spatial landscape in tissues. Due to the lack of consensus on “gold standard” statistical approaches for assessing the spatial contexture of tissues, we created an R package, scSpatialSIM , to assess different statistical and bioinformatic methods. scSpatialSIM allows users to simulate single-cell molecular data to mimic real tissues at scale, clustering of cell types, and co-clustering / co-localization of two or more cell types. scSpatialSIM also contains functions that give users the ability to simulate quantitative distributions for positive and negative cells (e.g., gene expression, fluorescence intensity). Results We demonstrate that scSpatialSIM allows users to easily simulate various kernel densities of probability distributions used to create the marked point pattern – points distributed in space with either numeric or categorical features. Using scSpatialSIM , we used four univariate spatial simulation scenarios to compare three different measures for spatial clustering (Ripley’s K( r ), nearest neighbor G( r ), and pair correlation g( r )). We found that Ripley’s K( r ) identifies the most radii with significant clustering in all four scenarios. Nearest neighbor G( r ) only identified all samples as significantly clustered at one radius ( r = 0.07) in one simulation scenario (high abundance large cluster size). Pair correlation g( r ) was better able to detect significant clustering at low radii when abundance was low. Conclusions Vignettes developed for scSpatialSIM cover the creation of single-type and multi-type spatial single-cell molecular data, as well as how these simulated data can be used with other R packages, such as spatialTIME , to derive spatial statistics. Development of this package is crucial for furthering our understanding of the power of existing methods and the development of novel applications to assess the spatial contexture of tissues by providing an objective platform for simulating spatial single-cell molecular data.

Genomic and transcriptomic data have been generated across a wide range of prostate cancer (PCa) study cohorts. These data can be used to better characterize the molecular features associated with clinical outcomes and to test hypotheses across multiple, independent patient cohorts. In addition, derived features, such as estimates of cell composition, risk scores, and androgen receptor (AR) scores, can be used to develop novel hypotheses leveraging existing multi-omic datasets. The full potential of such data is yet to be realized as independent datasets exist in different repositories, have been processed using different pipelines, and derived and clinical features are often not provided or unstandardized. Here, we present the curatedPCaData R package, a harmonized data resource representing >2900 primary tumor, >200 normal tissue, and >500 metastatic PCa samples across 19 datasets processed using standardized pipelines with updated gene annotations. We show that meta-analysis across harmonized studies has great potential for robust and clinically meaningful insights. curatedPCaData is an open and accessible community resource with code made available for reproducibility.