PURPOSE Microsatellite instability (MSI) and/or mismatch repair deficiency (MMR-D) testing has traditionally been performed in patients with colorectal (CRC) and endometrial cancer (EC) to screen for Lynch syndrome (LS)–associated cancer predisposition. The recent success of immunotherapy in high-frequency MSI (MSI-H) and/or MMR-D tumors now supports testing for MSI in all advanced solid tumors. The extent to which LS accounts for MSI-H across heterogeneous tumor types is unknown. Here, we establish the prevalence of LS across solid tumors according to MSI status. METHODS MSI status was determined using targeted next-generation sequencing, with tumors classified as MSI-H, MSI-indeterminate, or microsatellite-stable. Matched germline DNA was analyzed for mutations in LS-associated mismatch repair genes ( MLH1, MSH2, MSH6, PMS2, EPCAM). In patients with LS with MSI-H/I tumors, immunohistochemical staining for MMR-D was assessed. RESULTS Among 15,045 unique patients (more than 50 cancer types), LS was identified in 16.3% (53 of 326), 1.9% (13 of 699), and 0.3% (37 of 14,020) of patients with MSI-H, MSI-indeterminate, and microsatellite-stable tumors, respectively ( P < .001). Among patients with LS with MSI-H/I tumors, 50% (33 of 66) had tumors other than CRC/EC, including urothelial, prostate, pancreas, adrenocortical, small bowel, sarcoma, mesothelioma, melanoma, gastric, and germ cell tumors. In these patients with non-CRC/EC tumors, 45% (15 of 33) did not meet LS genetic testing criteria on the basis of personal/family history. Immunohistochemical staining of LS-positive MSI-H/I tumors demonstrated MMR-D in 98.2% (56 of 57) of available cases. CONCLUSION MSI-H/MMR-D is predictive of LS across a much broader tumor spectrum than currently appreciated. Given implications for cancer surveillance and prevention measures in affected families, these data support germline genetic assessment for LS for patients with an MSI-H/MMR-D tumor, regardless of cancer type or family cancer history.

To determine the false-negative rate of a surgical sentinel lymph node (SLN) mapping algorithm that incorporates more than just removing SLNs in detecting metastatic endometrial cancer.A prospective database of all patients who underwent lymphatic mapping for endometrial cancer was reviewed. Cervical injection of blue dye was used in all cases. The surgical algorithm is as follows: 1) peritoneal and serosal evaluation and washings; 2) retroperitoneal evaluation including excision of all mapped SLNs and suspicious nodes regardless of mapping; and 3) if there is no mapping on a hemi-pelvis, a side-specific pelvic, common iliac, and interiliac lymph node dissection (LND) is performed. Paraaortic LND is performed at the attendings' discretion. The algorithm was retrospectively applied.From 9/2005 to 4/2011, 498 patients received a blue dye cervical injection for SLN mapping. At least one LN was removed in 95% of cases (474/498); at least one SLN was identified in 81% (401/498). SLN correctly diagnosed 40/47 patients with nodal metastases who had at least one SLN mapped, resulting in a 15% false-negative rate. After applying the algorithm, the false-negative rate dropped to 2%. Only one patient, whose LN spread would not have been caught by the algorithm, had an isolated positive right paraaortic LN with a negative ipsilateral SLN and pelvic LND.Satisfactory SLN mapping in endometrial cancer requires adherence to a surgical SLN algorithm and goes beyond just the removal of blue SLNs. Removal of any suspicious node along with side-specific lymphadenectomy for failed mapping are an integral part of this algorithm. Further validation of the false-negative rate of this algorithm is necessary.

We undertook a comprehensive proteogenomic characterization of 95 prospectively collected endometrial carcinomas, comprising 83 endometrioid and 12 serous tumors. This analysis revealed possible new consequences of perturbations to the p53 and Wnt/β-catenin pathways, identified a potential role for circRNAs in the epithelial-mesenchymal transition, and provided new information about proteomic markers of clinical and genomic tumor subgroups, including relationships to known druggable pathways. An extensive genome-wide acetylation survey yielded insights into regulatory mechanisms linking Wnt signaling and histone acetylation. We also characterized aspects of the tumor immune landscape, including immunogenic alterations, neoantigens, common cancer/testis antigens, and the immune microenvironment, all of which can inform immunotherapy decisions. Collectively, our multi-omic analyses provide a valuable resource for researchers and clinicians, identify new molecular associations of potential mechanistic significance in the development of endometrial cancers, and suggest novel approaches for identifying potential therapeutic targets.

Abstract Microsatellite instability (MSI) is a critical phenotype of cancer genomes and an FDA-recognized biomarker that can guide treatment with immune checkpoint inhibitors. Recent work has demonstrated that next-generation sequencing data can be used to identify samples with MSI-high phenotype. However, low tumor purity, as frequently observed in routine clinical samples, poses a challenge to the sensitivity of existing algorithms. To overcome this critical issue, we developed MiMSI, an MSI classifier based on deep neural networks and trained using a dataset that included low tumor purity MSI cases in a multiple instance learning framework. On a challenging yet representative set of cases, MiMSI showed higher sensitivity (0.940) and auROC (0.988) than MSISensor(sensitivity: 0.57; auROC: 0.911), an open-source software previously validated for clinical use at our institution using MSK-IMPACT large panel targeted NGS data.

ABSTRACT While genetic tumor heterogeneity has long been recognized, recent work has revealed significant variation among cancer cells at the epigenetic and transcriptional levels. Profiling tumors at the single-cell level in individual cancer types has shown that transcriptional heterogeneity is organized into cancer cell states, implying that diverse cell states may represent stable and functional units with complementary roles in tumor maintenance and progression. However, it remains unclear to what extent these states span tumor types, constituting general features of cancer. Furthermore, the role of cancer cell states in tumor progression and their specific interactions with cells of the tumor microenvironment remain to be elucidated. Here, we perform a pan-cancer single-cell RNA-Seq analysis across 15 cancer types and identify a catalog of 16 gene modules whose expression defines recurrent cancer cell states, including ‘stress’, ‘interferon response’, ‘epithelial-mesenchymal transition’, ‘metal response’, ‘basal’ and ‘ciliated’. Using mouse models, we find that induction of the interferon response module varies by tumor location and is diminished upon elimination of lymphocytes. Moreover, spatial transcriptomic analysis further links the interferon response in cancer cells to T cells and macrophages in the tumor microenvironment. Our work provides a framework for studying how cancer cell states interact with the tumor microenvironment to form organized systems capable of immune evasion, drug resistance, and metastasis.

The determination of endometrial carcinoma histological subtypes is a critical diagnostic process that directly affects patients’ prognosis and treatment options. Recently, molecular subtyping and mutation status are increasingly utilized in clinical practice as they offer better inform prognosis and offer the possibility of individualized therapies. Compared to the histopathological approach, however, the availability of molecular subtyping is limited as it can only be obtained by genomic sequencing, which may be cost prohibitive. Here, we implemented deep convolutional neural network models that predict not only the histological subtypes, but also molecular subtypes and 18 common gene mutations based on digitized H&E stained pathological images. Taking advantage of the multi-resolution nature of the whole slide images, we introduced a customized architecture, Panoptes, to integrate features of different magnification. The model was trained and evaluated with images from The Cancer Genome Atlas and Clinical Proteomic Tumor Analysis Consortium. Our models achieved an area under the receiver operating characteristic curve (AUROC) of 0.969 in predicting histological subtype and 0.934 to 0.958 in predicting the copy number high (CNV-H) molecular subtype. The prediction tasks of 4 mutations and microsatellite high (MSI-H) molecular subtype also achieved a high performance with AUROC ranging from 0.781 to 0.873. Panoptes showed a significantly better performance than InceptionResnet in most of these top predicted tasks by up to 18%. Feature extraction and visualization revealed that the model relied on human-interpretable patterns. Our results suggest that Panoptes can help pathologists determine molecular subtypes and mutations without sequencing, and is generally applicable to any cancer type.