Abstract During progression from single cancer cells to a tumor mass and metastases, tumor cells send signals that can subvert their tissue microenvironment. These signals involve soluble molecules and various extracellular vesicles, including a particular type termed exosomes. The specific roles of exosomes secreted in the tumor microenvironment, however, is unclear. The small GTPases RAB27A and RAB27B regulate exocytosis of multivesicular endosomes, which lead to exosome secretion, in human HeLa cells. Here, we used mouse models to show that Rab27a blockade in mammary carcinoma cells decreased secretion of exosomes characterized by endocytic markers, but also of matrix metalloproteinase 9, which is not associated with exosomes. Rab27a blockade resulted in decreased primary tumor growth and lung dissemination of a metastatic carcinoma (4T1), but not of a nonmetastatic carcinoma (TS/A). Local growth of 4T1 tumors required mobilization of a population of neutrophil immune cells induced by Rab27a-dependent secretion of exosomes together with a specific combination of cytokines and/or metalloproteinases. Our findings offer in vivo validation of the concept that exosome secretion can exert key pathophysiologic roles during tumor formation and progression, but they also highlight the idiosyncratic character of the tumor context. Cancer Res; 72(19); 4920–30. ©2012 AACR.

The advent of digital pathology provides us with the challenging opportunity to automatically analyze whole slides of diseased tissue in order to derive quantitative profiles that can be used for diagnosis and prognosis tasks. In particular, for the development of interpretable models, the detection and segmentation of cell nuclei is of the utmost importance. In this paper, we describe a new method to automatically segment nuclei from Haematoxylin and Eosin (H&E) stained histopathology data with fully convolutional networks. In particular, we address the problem of segmenting touching nuclei by formulating the segmentation problem as a regression task of the distance map. We demonstrate superior performance of this approach as compared to other approaches using Convolutional Neural Networks.

Abstract Potential metastatic cells can dissociate from a primary breast tumor by undergoing an epithelial-to-mesenchymal transmission (EMT). Recent work has revealed that cells in intermediate states of EMT acquire an augmented capacity for tumor-cell dissemination. These states have been characterized by molecular markers, but the structural features and the cellular mechanisms that underlie the acquisition of their invasive properties are still unknown. Using human mammary epithelial cells, we generated cells in intermediate states of EMT through the induction of a single EMT-inducing transcription factor, ZEB1, and cells in a mesenchymal state by stimulation with TGFβ. In stereotypic and spatially-defined culture conditions, the architecture, internal organization and mechanical properties of cells in the epithelial, intermediate and mesenchymal state were measured and compared. We found that the lack of intercellular cohesiveness in epithelial and mesenchymal cells can be detected early by microtubule destabilization and the repositioning of the centrosome from the cell-cell junction to the cell center. Consistent with their high migration velocities, cells in intermediate states produced low contractile forces compared with epithelial and mesenchymal cells. The high contractile forces in mesenchymal cells powered a retrograde flow pushing the nucleus away from cell adhesion to the extracellular matrix. Therefore, cells in intermediate state had structural and mechanical properties that were distinct but not necessarily intermediate between epithelial and mesenchymal cells. Based on these observations, we found that a panel of triple-negative breast cancer lines had intermediate rather than mesenchymal characteristics suggesting that the structural and mechanical properties of the intermediate state are important for understanding tumor-cell dissemination.

SUMMARY Macrophage infiltration is a hallmark of solid cancers and overall macrophage infiltration is correlated with lower patient survival and resistance to therapy. However, tumor-associated macrophages are phenotypically and functionally heterogeneous. Specific tumor-associated macrophage subsets might be endowed with antagonistic role on cancer progression and on the development of anti-tumor immunity. For instance, monocyte-derived TREM2 + tumor-associated macrophages have pro-tumorigenic and immunosuppressive functions. Here, we identify a discrete population of FOLR2 + tumor-associated macrophages positively correlating with patient survival in breast cancer. FOLR2 + macrophages are evolutionarily conserved across species and populate human and murine healthy mammary gland. Moreover, FOLR2 + macrophages co-localize with lymphoid aggregates containing CD8 + T cells in breast cancer and across ten other types of cancers. This study highlights antagonistic roles for tumor-associated macrophage subsets and paves the way for subset-specific therapeutic interventions in macrophages-based cancer therapies.

Abstract Systematic DNA sequencing of cancer samples has highlighted the importance of two aspects of cancer genomics: intra-tumor heterogeneity (ITH) and mutational processes. These two aspects may not always be independent, as different mutational processes could be involved in different stages or regions of the tumor, but existing computational approaches to study them largely ignore this potential dependency. Here, we present CloneSig, a computational method to jointly infer ITH and mutational processes in a tumor from bulk-sequencing data. Extensive simulations show that CloneSig outperforms current methods for ITH inference and detection of mutational processes when the distribution of mutational signatures changes between clones. Applied to a large cohort of 8,951 tumors with whole-exome sequencing data from The Cancer Genome Atlas, and on a pan-cancer dataset of 2,632 whole-genome sequencing tumor samples from the Pan-Cancer Analysis of Whole Genomes initiative, CloneSig obtains results overall coherent with previous studies.

A bstract The automatic analysis of stained histological sections is becoming increasingly popular. Deep Learning is today the method of choice for the computational analysis of such data, and has shown spectacular results for large datasets for a large variety of cancer types and prediction tasks. On the other hand, many scientific questions relate to small, highly specific cohorts. Such cohorts pose serious challenges for Deep Learning, typically trained on large datasets. In this article, we propose a modification of the standard nested cross-validation procedure for hyper-parameter tuning and model selection, dedicated to the analysis of small cohorts. We also propose a new architecture for the particularly challenging question of treatment prediction, and apply this workflow to the prediction of response to neoadjuvant chemotherapy for Triple Negative Breast Cancer.

Abstract Homologous recombination deficiency (HRD) leads to genomic instability that marks HRD tumor genome with a specific genomic scar. Present in many cancers, HRD is important to be detected as it is associated with a hyper-sensitivity to some classes of drugs, in particular the PARP inhibitors. Here, we investigated the use of structural variants (SVs) detected by the Optical Genome Mapping (OGM) technology as biomarkers to identify HRD tumors. We analyzed SVs data obtained by OGM from 37 samples of triple-negative breast cancer or high grade ovarian cancer with the known HRD status. We found that HRD cases were enriched with duplications and reciprocal translocations, while nonHRD cases were enriched with inversions. The number of translocations, defined as inter-chromosomal or intra-chromosomal rearrangements of more 5Mb were similar in HRD and nonHRD cases. We defined isolated translocations as the subset of translocations having no other translocation within 2 megabase zone around both junctions, and demonstrated that the number of isolated translocations perfectly discriminated HRD and nonHRD cases in the training series. Validation series consisting from 26 cases showed 20% false positive and zero false negative error rate, which proved isolated translocations to be 100% sensitive and 80% specific SV marker of HRD. Our results demonstrate that the OGM technology is an affordable way of getting an insight of the structural variants present in solid tumors, even with low tumoral cellularity. It represents a promising technology for HRD diagnosis, where a single marker already gives 80% correct recognition.

Abstract Background Information The control of epithelial cell polarity is key to their function. Its dysregulation is a major cause of tissue transformation. In polarized epithelial cells,the centrosome is off‐centred toward the apical pole. This asymmetry determines the main orientation of the microtubule network and intra‐cellular traffic. However, the mechanism regulating centrosome positioning at the apical pole of polarized epithelial cells is still poorly undertood. Results In this study we used transcriptomic data from breast cancer cells to identify molecular changes associated with the different stages of tumour transformation. We correlated these changes with variations in centrosome position or with cell progression along the epithelial‐to‐mesenchymal transition (EMT), a process that involves centrosome repositioning. We found that low levels of epiplakin, desmoplakin and periplakin correlated with centrosome mispositioning in cells that had progressed through EMT or tissue transformation. We further tested the causal role of these plakins in the regulation of centrosome position by knocking down their expression in a non‐tumorigenic breast epithelial cell line (MCF10A). The downregulation of periplakin reduced the length of intercellular junction, which was not affected by the downregulation of epiplakin or desmoplakin. However, down‐regulating any of them disrupted centrosome polarisation towards the junction without affecting microtubule stability. Conclusions Altogether, these results demonstrated that epiplakin, desmoplakin and periplakin are involved in the maintenance of the peripheral position of the centrosome close to inter‐cellular junctions. They also revealed that these plakins are downregulated during EMT and breast cancer progression, which are both associated with centrosome mispositioning. Significance These results revealed that the down‐regulation of plakins and the consequential centrosome mispositioning are key signatures of disorganised cytoskeleton networks, inter‐cellular junction weakening, shape deregulation and the loss of polarity in breast cancer cells. These metrics could further be used as a new readouts for early phases of tumoral development.

Tumors are made of evolving and heterogeneous populations of cells which arise from successive appearance and expansion of subclonal populations, following acquisition of mutations conferring them a selective advantage. Those subclonal populations can be sensitive or resistant to different treatments, and provide information about tumor aetiology and future evolution. Hence, it is important to be able to assess the level of heterogeneity of tumors with high reliability for clinical applications.In the past few years, a large number of methods have been proposed to estimate intra-tumor heterogeneity from whole exome sequencing (WES) data, but the accuracy and robustness of these methods on real data remains elusive. Here we systematically apply and compare 6 computational methods to estimate tumor heterogeneity on 1,697 WES samples from the cancer genome atlas (TCGA) covering 3 cancer types (breast invasive carcinoma, bladder urothelial carcinoma, and head and neck squamous cell carcinoma), and two distinct input mutation sets. We observe significant differences between the estimates produced by different methods, and identify several likely confounding factors in heterogeneity assessment for the different methods. We further show that the prognostic value of tumor heterogeneity for survival prediction is limited in those datasets, and find no evidence that it improves over prognosis based on other clinical variables.In conclusion, heterogeneity inference from WES data on a single sample, and its use in cancer prognosis, should be considered with caution. Other approaches to assess intra-tumoral heterogeneity such as those based on multiple samples may be preferable for clinical applications.