Abstract Purpose: The existence of cancer stem cells (CSCs) in breast cancer has profound implications for cancer prevention. In this study, we evaluated sulforaphane, a natural compound derived from broccoli/broccoli sprouts, for its efficacy to inhibit breast CSCs and its potential mechanism. Experimental Design: Aldefluor assay and mammosphere formation assay were used to evaluate the effect of sulforaphane on breast CSCs in vitro. A nonobese diabetic/severe combined immunodeficient xenograft model was used to determine whether sulforaphane could target breast CSCs in vivo, as assessed by Aldefluor assay, and tumor growth upon cell reimplantation in secondary mice. The potential mechanism was investigated using Western blotting analysis and β-catenin reporter assay. Results: Sulforaphane (1-5 μmol/L) decreased aldehyde dehydrogenase–positive cell population by 65% to 80% in human breast cancer cells (P < 0.01) and reduced the size and number of primary mammospheres by 8- to 125-fold and 45% to 75% (P < 0.01), respectively. Daily injection with 50 mg/kg sulforaphane for 2 weeks reduced aldehyde dehydrogenase–positive cells by >50% in nonobese diabetic/severe combined immunodeficient xenograft tumors (P = 0.003). Sulforaphane eliminated breast CSCs in vivo, thereby abrogating tumor growth after the reimplantation of primary tumor cells into the secondary mice (P < 0.01). Western blotting analysis and β-catenin reporter assay showed that sulforaphane downregulated the Wnt/β-catenin self-renewal pathway. Conclusions: Sulforaphane inhibits breast CSCs and downregulates the Wnt/β-catenin self-renewal pathway. These findings support the use of sulforaphane for the chemoprevention of breast cancer stem cells and warrant further clinical evaluation. Clin Cancer Res; 16(9); 2580–90. ©2010 AACR.

The amount of dietary fat required for optimal bioavailability of carotenoids in plant matrices is not clearly defined. The objective was to quantify the appearance of carotenoids in plasma chylomicrons after subjects ingested fresh vegetable salads with fat-free, reduced-fat, or full-fat salad dressings. The subjects (n = 7) each consumed 3 salads consisting of equivalent amounts of spinach, romaine lettuce, cherry tomatoes, and carrots with salad dressings containing 0, 6, or 28 g canola oil. The salads were consumed in random order separated by washout periods of ≥2 wk. Blood samples were collected hourly from 0 to 12 h. Chylomicrons were isolated by ultracentrifugation, and carotenoid absorption was analyzed by HPLC with coulometric array detection. After ingestion of the salads with fat-free salad dressing, the appearance of α-carotene, β-carotene, and lycopene in chylomicrons was negligible. After ingestion of the salads with reduced-fat salad dressing, the appearance of the carotenoids in plasma chylomicrons increased relative to that after ingestion of the salads with fat-free salad dressing (P < 0.04). Similarly, the appearance of the carotenoids in plasma chylomicrons was higher after the ingestion of salads with full-fat than with reduced-fat salad dressing (P < 0.02). High-sensitivity HPLC with coulometric array detection enabled us to quantify the intestinal absorption of carotenoids ingested from a single vegetable salad. Essentially no absorption of carotenoids was observed when salads with fat-free salad dressing were consumed. A substantially greater absorption of carotenoids was observed when salads were consumed with full-fat than with reduced-fat salad dressing.

Abstract Early pathogen exposure detection allows better patient care and faster implementation of public health measures (patient isolation, contact tracing). Existing exposure detection most frequently relies on overt clinical symptoms, namely fever, during the infectious prodromal period. We have developed a robust machine learning based method to better detect asymptomatic states during the incubation period using subtle, sub-clinical physiological markers. Starting with high-resolution physiological waveform data from non-human primate studies of viral (Ebola, Marburg, Lassa, and Nipah viruses) and bacterial ( Y. pestis ) exposure, we processed the data to reduce short-term variability and normalize diurnal variations, then provided these to a supervised random forest classification algorithm and post-classifier declaration logic step to reduce false alarms. In most subjects detection is achieved well before the onset of fever; subject cross-validation across exposure studies (varying viruses, exposure routes, animal species, and target dose) lead to 51h mean early detection (at 0.93 area under the receiver-operating characteristic curve [AUCROC]). Evaluating the algorithm against entirely independent datasets for Lassa, Nipah, and Y. pestis exposures un-used in algorithm training and development yields a mean 51h early warning time (at AUCROC=0.95). We discuss which physiological indicators are most informative for early detection and options for extending this capability to limited datasets such as those available from wearable, non-invasive, ECG-based sensors.

High throughput sequencing (HTS) of DNA forensic samples is expanding from the sizing of short tandem repeats (STRs) to massively parallel sequencing (MPS). HTS panels are expanding from the FBI 20 core Combined DNA Index System (CODIS) loci to include single nucleotide polymorphisms (SNPs). The calculation of random man not excluded, P(RMNE), is used in DNA mixture analysis to estimate the probability that a random person matches this DNA mixture. Previous implementation of this calculation encounters calculation artifacts with expansion to larger panel sizes. Increasing the floating-point precision of the calculations allows for increased panel sizes but with a corresponding increase in computation time. The Taylor series higher precision libraries used had precision artifacts and also failed to complete on some input data sets leading to algorithm unreliability. Similar computational artifacts were observed with a BigDecimal implementation. Herein, a new formula is introduced for calculating P(RMNE) that scales to larger SNP panel sizes while being computationally efficient (patent pending)[1].