Noninvasive prenatal testing (NIPT) for fetal aneuploidy by scanning cell-free fetal DNA in maternal plasma is rapidly becoming a major prenatal genetic test. Similar to placental DNA, tumor DNA can be detected in the plasma, and analysis of cell-free tumor DNA can be used to characterize and monitor cancers. We show that plasma DNA profiling allows for presymptomatic detection of tumors in pregnant women undergoing routine NIPT.During NIPT in over 4000 prospective pregnancies by parallel sequencing of maternal plasma cell-free DNA, 3 aberrant genome representation (GR) profiles were observed that could not be attributed to the maternal or fetal genomic constitution. A maternal cancer was suspected, and those 3 patients were referred for whole-body diffusion-weighted magnetic resonance imaging, which uncovered an ovarian carcinoma, a follicular lymphoma, and a Hodgkin lymphoma, each confirmed by subsequent pathologic and genetic investigations. The copy number variations in the subsequent tumor biopsies were concordant with the NIPT plasma GR profiles.We show that maternal plasma cell-free DNA sequencing for noninvasive prenatal testing also may enable accurate presymptomatic detection of maternal tumors and treatment during pregnancy.

Abstract Protein aggregation is an underappreciated mechanism that may contribute to the loss- and oncogenic-gain-of-function of mutant tumor suppressors such as p53 and axin. In the present study, we describe amyloid-like aggregation behaviour of the second most frequently mutated tumor suppressor in human cancer, PTEN. In silico analysis revealed a particularly high aggregation vulnerability for this protein, which was corroborated by in vitro aggregation assays. In cultured tumor cells, we found that under stress conditions, PTEN readily undergoes amyloid-like aggregation as a result of mutation. However, we also show that severe dysregulation of protein homeostasis may lead to aggregation of wild-type PTEN. These observations were supported by a small survey of patient-derived uterine tumor tissues, which found that more than 25% of tumors analyzed displayed wild-type PTEN aggregation. Finally, in an exploratory clinical study we found that PTEN aggregation status was correlated with a decline in clinical outcome. Our findings establish that the tumor suppressor PTEN is highly aggregation-prone and our work suggests that protein aggregation might be an underestimated but prevalent component of cancer cell biology.

High accuracy next-generation DNA sequencing promises a paradigm shift in early cancer detection by enabling the identification of mutant cancer molecules in minimally-invasive body fluid samples. We demonstrate 80% sensitivity for ovarian cancer detection using ultra-accurate Duplex Sequencing to identify TP53 mutations in uterine lavage. However, in addition to tumor DNA, we also detect low frequency TP53 mutations in nearly all lavages from women with and without cancer. These mutations increase with age and share the selection traits of clonal TP53 mutations commonly found in human tumors. We show that low frequency TP53 mutations exist in multiple healthy tissues, from newborn to centenarian, and progressively increase in abundance and pathogenicity with older age across tissue types. Our results illustrate that subclonal cancer evolutionary processes are a ubiquitous part of normal human aging and great care must be taken to distinguish tumor-derived, from age-associated mutations in high sensitivity clinical cancer diagnostics.

Abstract Cell-free DNA (cfDNA) is a rich source of biomarkers for various (patho)physiological conditions. Recent developments have used Machine Learning on large cfDNA data sets to enhance the detection of cancers and immunological diseases. Preanalytical variables, such as the library preparation protocol or sequencing platform, are major confounders that influence such data sets and lead to domain shifts (i.e., shifts in data distribution as those confounders vary across time or space). Here, we present a domain adaptation method that builds on the concept of optimal transport, and explicitly corrects for the effect of such preanalytical variables. Our approach can be used to merge cohorts representative of the same population but separated by technical biases. Moreover, we also demonstrate that it improves cancer detection via Machine Learning by alleviating the sources of variation that are not of biological origin. Our method also improves over the widely used GC-content bias correction, both in terms of bias removal and cancer signal isolation. These results open perspectives for the downstream analysis of larger data sets through the integration of cohorts produced by different sequencing pipelines or collected in different centers. Notably, the approach is rather general with the potential for application to many other genomic data analysis problems.