Various species of the intestinal microbiota have been associated with the development of colorectal cancer1,2, but it has not been demonstrated that bacteria have a direct role in the occurrence of oncogenic mutations. Escherichia coli can carry the pathogenicity island pks, which encodes a set of enzymes that synthesize colibactin3. This compound is believed to alkylate DNA on adenine residues4,5 and induces double-strand breaks in cultured cells3. Here we expose human intestinal organoids to genotoxic pks+ E. coli by repeated luminal injection over five months. Whole-genome sequencing of clonal organoids before and after this exposure revealed a distinct mutational signature that was absent from organoids injected with isogenic pks-mutant bacteria. The same mutational signature was detected in a subset of 5,876 human cancer genomes from two independent cohorts, predominantly in colorectal cancer. Our study describes a distinct mutational signature in colorectal cancer and implies that the underlying mutational process results directly from past exposure to bacteria carrying the colibactin-producing pks pathogenicity island. Organoids derived from human intestinal cells that are co-cultured with bacteria carrying the genotoxic pks+ island develop a distinct mutational signature associated with colorectal cancer.

Abstract Background The collective of somatic mutations in a genome represents a record of mutational processes that have been operative in a cell. These processes can be investigated by extracting relevant mutational patterns from sequencing data. Results Here, we present the next version of MutationalPatterns, an R/Bioconductor package, which allows in-depth mutational analysis of catalogues of single and double base substitutions as well as small insertions and deletions. Major features of the package include the possibility to perform regional mutation spectra analyses and the possibility to detect strand asymmetry phenomena, such as lesion segregation. On top of this, the package also contains functions to determine how likely it is that a signature can cause damaging mutations (i.e., mutations that affect protein function). This updated package supports stricter signature refitting on known signatures in order to prevent overfitting. Using simulated mutation matrices containing varied signature contributions, we showed that reliable refitting can be achieved even when only 50 mutations are present per signature. Additionally, we incorporated bootstrapped signature refitting to assess the robustness of the signature analyses. Finally, we applied the package on genome mutation data of cell lines in which we deleted specific DNA repair processes and on large cancer datasets, to show how the package can be used to generate novel biological insights. Conclusions This novel version of MutationalPatterns allows for more comprehensive analyses and visualization of mutational patterns in order to study the underlying processes. Ultimately, in-depth mutational analyses may contribute to improved biological insights in mechanisms of mutation accumulation as well as aid cancer diagnostics. MutationalPatterns is freely available at http://bioconductor.org/packages/MutationalPatterns .

Summary Rhabdomyosarcomas (RMS) are mesenchyme-derived tumors and the most common childhood soft tissue sarcomas. Treatment is intense, with a nevertheless poor prognosis for high-risk patients. Discovery of new therapies would benefit from additional preclinical models. Here we describe the generation of a collection of pediatric RMS tumor organoid (tumoroid) models comprising all major subtypes. For aggressive tumors, tumoroid models can often be established within four to eight weeks, indicating the feasibility of personalized drug screening. Molecular, genetic and histological characterization show that the models closely resemble the original tumors, with genetic stability over extended culture periods of up to six months. Importantly, drug screening reflects established sensitivities and the models can be modified by CRISPR/Cas9 with TP53 knockout in an embryonal RMS model resulting in replicative stress drug sensitivity. Tumors of mesenchymal origin can therefore be used to generate organoid models, relevant for a variety of preclinical and clinical research questions.

Topologically associated domains (TADs) are defined as regions of self-interaction. To date, it is unclear how to reconcile TAD structure with CTCF site orientation, which is known to coordinate chromatin loops anchored by Cohesin rings at convergent CTCF site pairs. We first approached this problem by 4C analysis of the FKBP5 locus. This uncovered a CTCF loop encompassing FKBP5 but not its entire TAD. However, adjacent CTCF sites were able to form ‘back-up’ loops and these were located at TAD boundaries. We then analysed the spatial distribution of CTCF patterns along the genome together with a boundary identity conservation ‘gradient’ obtained from primary blood cells. This revealed that divergent CTCF sites are enriched at boundaries and that convergent CTCF sites mark the interior of TADs. This conciliation of CTCF site orientation and TAD structure has deep implications for the further study and engineering of TADs and their boundaries.

Abstract Detection of somatic mutations in single cells has been severely hampered by technical limitations of whole genome amplification. Novel technologies including primary template-directed amplification (PTA) significantly improved the accuracy of single-cell whole genome sequencing (WGS), but still generate hundreds of artefacts per amplification reaction. We developed a comprehensive bioinformatic workflow, called the PTA Analysis Toolkit (PTATO), to accurately detect single base substitutions, small insertions and deletions (indels) and structural variants in PTA-based WGS data. PTATO includes a machine learning approach to distinguish PTA-artefacts from true mutations with high sensitivity (up to 90% for base substitution and 95% for indels), outperforming existing bioinformatic approaches. Using PTATO, we demonstrate that many hematopoietic stem and progenitor cells of patients with Fanconi anemia, which cannot be analyzed using regular WGS technologies, have normal somatic single base substitution burdens, but increased numbers of deletions. Our results show that PTATO enables studying somatic mutagenesis in the genomes of single cells with unprecedented sensitivity and accuracy.