Accurate pathological diagnosis is crucial for optimal management of patients with cancer. For the approximately 100 known tumour types of the central nervous system, standardization of the diagnostic process has been shown to be particularly challenging-with substantial inter-observer variability in the histopathological diagnosis of many tumour types. Here we present a comprehensive approach for the DNA methylation-based classification of central nervous system tumours across all entities and age groups, and demonstrate its application in a routine diagnostic setting. We show that the availability of this method may have a substantial impact on diagnostic precision compared to standard methods, resulting in a change of diagnosis in up to 12% of prospective cases. For broader accessibility, we have designed a free online classifier tool, the use of which does not require any additional onsite data processing. Our results provide a blueprint for the generation of machine-learning-based tumour classifiers across other cancer entities, with the potential to fundamentally transform tumour pathology.

Background The WHO classification of brain tumours describes 15 subtypes of meningioma. Nine of these subtypes are allotted to WHO grade I, and three each to grade II and grade III. Grading is based solely on histology, with an absence of molecular markers. Although the existing classification and grading approach is of prognostic value, it harbours shortcomings such as ill-defined parameters for subtypes and grading criteria prone to arbitrary judgment. In this study, we aimed for a comprehensive characterisation of the entire molecular genetic landscape of meningioma to identify biologically and clinically relevant subgroups. Methods In this multicentre, retrospective analysis, we investigated genome-wide DNA methylation patterns of meningiomas from ten European academic neuro-oncology centres to identify distinct methylation classes of meningiomas. The methylation classes were further characterised by DNA copy number analysis, mutational profiling, and RNA sequencing. Methylation classes were analysed for progression-free survival outcomes by the Kaplan-Meier method. The DNA methylation-based and WHO classification schema were compared using the Brier prediction score, analysed in an independent cohort with WHO grading, progression-free survival, and disease-specific survival data available, collected at the Medical University Vienna (Vienna, Austria), assessing methylation patterns with an alternative methylation chip. Findings We retrospectively collected 497 meningiomas along with 309 samples of other extra-axial skull tumours that might histologically mimic meningioma variants. Unsupervised clustering of DNA methylation data clearly segregated all meningiomas from other skull tumours. We generated genome-wide DNA methylation profiles from all 497 meningioma samples. DNA methylation profiling distinguished six distinct clinically relevant methylation classes associated with typical mutational, cytogenetic, and gene expression patterns. Compared with WHO grading, classification by individual and combined methylation classes more accurately identifies patients at high risk of disease progression in tumours with WHO grade I histology, and patients at lower risk of recurrence among WHO grade II tumours (p=0·0096) from the Brier prediction test). We validated this finding in our independent cohort of 140 patients with meningioma. Interpretation DNA methylation-based meningioma classification captures clinically more homogenous groups and has a higher power for predicting tumour recurrence and prognosis than the WHO classification. The approach presented here is potentially very useful for stratifying meningioma patients to observation-only or adjuvant treatment groups. We consider methylation-based tumour classification highly relevant for the future diagnosis and treatment of meningioma. Funding German Cancer Aid, Else Kröner-Fresenius Foundation, and DKFZ/Heidelberg Institute of Personalized Oncology/Precision Oncology Program.

Recently, we described a machine learning approach for classification of central nervous system tumors based on the analysis of genome-wide DNA methylation patterns [6]. Here, we report on DNA methylation-based central nervous system (CNS) tumor diagnostics conducted in our institution between the years 2015 and 2018. In this period, more than 1000 tumors from the neurosurgical departments in Heidelberg and Mannheim and more than 1000 tumors referred from external institutions were subjected to DNA methylation analysis for diagnostic purposes. We describe our current approach to the integrated diagnosis of CNS tumors with a focus on constellations with conflicts between morphological and molecular genetic findings. We further describe the benefit of integrating DNA copy-number alterations into diagnostic considerations and provide a catalog of copy-number changes for individual DNA methylation classes. We also point to several pitfalls accompanying the diagnostic implementation of DNA methylation profiling and give practical suggestions for recurring diagnostic scenarios.

According to the 2016 World Health Organization Classification of Tumors of the Central Nervous System (2016 CNS WHO), IDH-mutant astrocytic gliomas comprised WHO grade II diffuse astrocytoma, IDH-mutant (AIIIDHmut), WHO grade III anaplastic astrocytoma, IDH-mutant (AAIIIIDHmut), and WHO grade IV glioblastoma, IDH-mutant (GBMIDHmut). Notably, IDH gene status has been made the major criterion for classification while the manner of grading has remained unchanged: it is based on histological criteria that arose from studies which antedated knowledge of the importance of IDH status in diffuse astrocytic tumor prognostic assessment. Several studies have now demonstrated that the anticipated differences in survival between the newly defined AIIIDHmut and AAIIIIDHmut have lost their significance. In contrast, GBMIDHmut still exhibits a significantly worse outcome than its lower grade IDH-mutant counterparts. To address the problem of establishing prognostically significant grading for IDH-mutant astrocytic gliomas in the IDH era, we undertook a comprehensive study that included assessment of histological and genetic approaches to prognosis in these tumors. A discovery cohort of 211 IDH-mutant astrocytic gliomas with an extended observation was subjected to histological review, image analysis, and DNA methylation studies. Tumor group-specific methylation profiles and copy number variation (CNV) profiles were established for all gliomas. Algorithms for automated CNV analysis were developed. All tumors exhibiting 1p/19q codeletion were excluded from the series. We developed algorithms for grading, based on molecular, morphological and clinical data. Performance of these algorithms was compared with that of WHO grading. Three independent cohorts of 108, 154 and 224 IDH-mutant astrocytic gliomas were used to validate this approach. In the discovery cohort several molecular and clinical parameters were of prognostic relevance. Most relevant for overall survival (OS) was CDKN2A/B homozygous deletion. Other parameters with major influence were necrosis and the total number of CNV. Proliferation as assessed by mitotic count, which is a key parameter in 2016 CNS WHO grading, was of only minor influence. Employing the parameters most relevant for OS in our discovery set, we developed two models for grading these tumors. These models performed significantly better than WHO grading in both the discovery and the validation sets. Our novel algorithms for grading IDH-mutant astrocytic gliomas overcome the challenges caused by introduction of IDH status into the WHO classification of diffuse astrocytic tumors. We propose that these revised approaches be used for grading of these tumors and incorporated into future WHO criteria.

Abstract Sarcomas are malignant soft tissue and bone tumours affecting adults, adolescents and children. They represent a morphologically heterogeneous class of tumours and some entities lack defining histopathological features. Therefore, the diagnosis of sarcomas is burdened with a high inter-observer variability and misclassification rate. Here, we demonstrate classification of soft tissue and bone tumours using a machine learning classifier algorithm based on array-generated DNA methylation data. This sarcoma classifier is trained using a dataset of 1077 methylation profiles from comprehensively pre-characterized cases comprising 62 tumour methylation classes constituting a broad range of soft tissue and bone sarcoma subtypes across the entire age spectrum. The performance is validated in a cohort of 428 sarcomatous tumours, of which 322 cases were classified by the sarcoma classifier. Our results demonstrate the potential of the DNA methylation-based sarcoma classification for research and future diagnostic applications.

Neural-tumor interactions drive glioma growth as evidenced in preclinical models, but clinical validation is nascent. We present an epigenetically defined neural signature of glioblastoma that independently affects patients' survival. We use reference signatures of neural cells to deconvolve tumor DNA and classify samples into low- or high-neural tumors. High-neural glioblastomas exhibit hypomethylated CpG sites and upregulation of genes associated with synaptic integration. Single-cell transcriptomic analysis reveals high abundance of stem cell-like malignant cells classified as oligodendrocyte precursor and neural precursor cell-like in high-neural glioblastoma. High-neural glioblastoma cells engender neuron-to-glioma synapse formation in vitro and in vivo and show an unfavorable survival after xenografting. In patients, a high-neural signature associates with decreased survival as well as increased functional connectivity and can be detected via DNA analytes and brain-derived neurotrophic factor in plasma. Our study presents an epigenetically defined malignant neural signature in high-grade gliomas that is prognostically relevant.

Abstract BACKGROUND Embryonal tumors with PLAGL1 and PLAGL2 amplification (ET, PLAGL) display substantial clinical heterogeneity regarding applied treatment and outcomes. As a recently-defined entity, the spectrum of tumor-driving PLAG-family alterations is not yet fully elucidated. METHODS We analyzed clinical and MRI data from patients with ET, PLAGL. Second, we identified and analyzed tumors with epigenetic similarities. RESULTS 18 patients with ET, PLAGL revealed diverse clinical behavior. Patients with PLAGL1-amplified tumors (ET, PLAGL1) were older (median 8 years), had a higher rate of complete resections (6/9) and fewer relapses (3/9). Patients with PLAGL2-amplified tumors (ET, PLAGL2) were younger (median 1.9 years), often incompletely resected (6/9) and prone to earlier relapse/progression. Five-year PFS was 89% and 17% (ET, PLAGL1/ET, PLAGL2), with no predictive value of initial surgical extent on PFS/OS. Postoperative treatment included chemotherapy (17/18, various protocols) alone (n=8) or combined with RT (n=9). The three survivors with ET, PLAGL2 underwent induction and high-dose chemotherapy. All five patients with less intensive chemotherapy relapsed. Most first and all subsequent ET, PLAGL2 relapses were distant, questioning the value of initial local radiotherapy. Two ET, PLAGL1 relapses occurred >8 years after diagnosis (one after, one without previous RT). Through methylation-based t-SNE we identified 143 tumors with epigenetic similarities to ET, PLAGL. Filtering revealed a core set of 27 tumors, of which seven displayed evidence of PLAG1-fusion events and one PLAG1-amplification. RNAseq analysis (n=4) revealed distinct gene fusions involving PLAG1, with similar genes upregulated (RET, CYP2W1 and imprinted genes) as in ET, PLAGL. Like ET, PLAGL, PLAG1-fused tumors, occurred in young children with different diagnoses and localizations. CONCLUSION PLAG1-fused tumors are epigenetically similar to ET, PLAGL, show similarities in gene expression, and need to be differentiated from neuroepithelial tumor with PLAGL1-fusion. Future investigations will examine differences in clinical behavior and the utility of PLAG1/L1/L2 IHC for diagnosis.