Abstract The protein structure field is experiencing a revolution. From the increased throughput of techniques to determine experimental structures, to developments such as cryo-EM that allow us to find the structures of large protein complexes or, more recently, the development of artificial intelligence tools, such as AlphaFold, that can predict with high accuracy the folding of proteins for which the availability of homology templates is limited. Here we quantify the effect of the recently released AlphaFold database of protein structural models in our knowledge on human proteins. Our results indicate that our current baseline for structural coverage of 48%, considering experimentally-derived or template-based homology models, elevates up to 76% when including AlphaFold predictions. At the same time the fraction of dark proteome is reduced from 26% to just 10% when AlphaFold models are considered. Furthermore, although the coverage of disease-associated genes and mutations was near complete before AlphaFold release (69% of Clinvar pathogenic mutations and 88% of oncogenic mutations), AlphaFold models still provide an additional coverage of 3% to 13% of these critically important sets of biomedical genes and mutations. Finally, we show how the contribution of AlphaFold models to the structural coverage of non-human organisms, including important pathogenic bacteria, is significantly larger than that of the human proteome. Overall, our results show that the sequence-structure gap of human proteins has almost disappeared, an outstanding success of direct consequences for the knowledge on the human genome and the derived medical applications.

Despite their critical importance in maintaining the integrity of all cellular pathways, the specific role of mutations on protein-protein interaction (PPI) interfaces as cancer drivers, though known for some specific examples, has not been systematically studied. We analyzed missense somatic mutations in a pan-cancer cohort of 5,989 tumors from 23 projects of The Cancer Genome Atlas (TCGA) for enrichment on PPI interfaces using e-Driver, an algorithm to analyze the mutation pattern of specific protein regions such as PPI interfaces. We identified 128 PPI interfaces enriched in somatic cancer mutations. Our results support the notion that many mutations in well-established cancer driver genes, particularly those in critical network positions, act by altering PPI interfaces. Finally, focusing on individual interfaces we are also able to show how tumors driven by the same gene can have different behaviors, including patient outcomes, depending on whether specific interfaces are mutated or not.

Over the last 15 years we have identified hundreds of inherited variants that increase the risk of developing cancer. Polygenic risk scores (PRS) summarize the genetic risk of each individual by accounting for the unique combination of risk alleles in their genome. So far, most studies of PRS in cancer have focused on their predictive value: i.e. to what extent the PRS can predict which individuals will develop a particular cancer type. In parallel, for most cancers, we have identified several subtypes based on their somatic molecular properties. However, little is known about the relationship between the somatic molecular subtypes of cancer and PRS and it is possible that PRS preferentially predict specific cancer subtypes. Since cancer subtypes can have very different outcomes, treatment options and molecular vulnerabilities, answering this question is very important to understand the consequences that widespread PRS use would have in which tumors are detected early. Here we used data from The Cancer Genome Atlas (TCGA) to study the correlation between PRS for different forms of cancer and the landscape of somatic alterations in the tumors developed by each patient. We first validated the predictive power of 8 different PRS in TCGA and describe how PRS for some cancer types are associated with specific molecular subtypes or somatic cancer driver events. Our results highlight important questions that could improve the predictive power of PRS and that need to be answered before their widespread clinical implementation.

Alternative splicing changes are frequently observed in cancer and are starting to be recognized as important signatures for tumor progression and therapy. However, their functional impact and relevance to tumorigenesis remains mostly unknown. We carried out a systematic analysis to characterize the potential functional consequences of alternative splicing changes in thousands of tumor samples. This analysis revealed that a subset of alternative splicing changes affect protein domain families that are frequently mutated in tumors and potentially disrupt protein protein interactions in cancer-related pathways. Moreover, there was a negative correlation between the number of these alternative splicing changes in a sample and the number of somatic mutations in drivers. We propose that a subset of the alternative splicing changes observed in tumors may represent independent oncogenic processes that could be relevant to explain the functional transformations in cancer and some of them could potentially be considered alternative splicing drivers (AS drivers).

The role of germline genetics in shaping the tumor immune landscape is largely unknown. Using genotypes from >9,000 individuals in The Cancer Genome Atlas, we investigated the association of common and rare variants with 139 well-defined immune traits. Our analysis of common variants identified 10 immune traits with significant heritability estimates, and an additional 23 with suggestive heritability, including estimates of T-cell subset abundance and interferon signaling. We performed genome-wide association on the 33 heritable traits and identified 23 genome-wide significant loci associated with at least one immune trait, including SNPs in the IFIH1 locus previously associated with several autoimmune diseases. We also found significant associations between immune traits and pathogenic or likely-pathogenic rare variants in BRCA1 and in genes functionally linked to telomere stabilization, and Wnt/Beta-catenin signaling. We conclude that germline genetic variants significantly impact the composition and functional orientation of the tumor immune microenvironment.

Motivation: The analysis of tumor genomes is a key step to understand many aspects of cancer biology, ranging from its aetiology to its treatment or the oncogenic processes driving cell transformation. The first crucial step in the analysis of any tumor genome is the identification of somatic genetic variants that cancer cells have acquired during their evolution. For that purpose, a wide range of somatic variant callers have been created in recent years. However, it is still unclear which variant caller, or combination of them, is best suited to analyze tumor sequencing data. Results: Here we present a study to elucidate if different variant callers (MuSE, MuTect2, SomaticSniper, VarScan2) and strategies to combine them (Consensus and Union) lead to different downstream results in these three important aspects of cancer genomics: driver genes, mutational signatures and clinically actionable targets identification. To this end, we assess their performance in five different projects from The Cancer Genome Atlas (TCGA). Our results show that variant calling decisions have a significant impact on these downstream analyses, rendering important differences in driver genes prediction and mutational status among variant call sets, as well as in the identification of clinically actionable targets. More importantly, it seems that there is not a one-size-fits-all variant calling strategy, as the optimal decision seems to depend on both, the cancer type and the goal of the analysis.

Our knowledge of cancer genomics exploded in last several years, providing us with detailed knowledge of genetic alterations in almost all cancer types. Analysis of this data gave us new insights into molecular aspects of cancer, most important being the amazing diversity of molecular abnormalities in individual cancers. The most important question in cancer research today is how to classify this diversity to identify subtypes that are most relevant for treatment and outcome prediction for individual patients. The Cancer3D database at http://www.cancer3d.org gives an open and user-friendly way to analyze cancer missense mutations in the context of structures of proteins they are found in and in relation to patients clinical data. This approach allows users to find novel candidate driver regions for specific subgroups, that often cannot be found when similar analyses are done on the whole gene level and for large, diverse cohorts. Interactive interface allows user to visualize the distribution of mutations is subgroups defined by cancer type and stage, gender and age brackets, patients ethnicity, or vice versa find dominant cancer type, gender or age groups for specific three-dimensional mutation patterns.