Recent work in human glioblastoma (GBM) has documented recurrent mutations in the histone chaperone protein ATRX. We developed an animal model of ATRX-deficient GBM and showed that loss of ATRX reduces median survival and increases genetic instability. Further, analysis of genome-wide data for human gliomas showed that ATRX mutation is associated with increased mutation rate at the single-nucleotide variant (SNV) level. In mouse tumors, ATRX deficiency impairs nonhomologous end joining and increases sensitivity to DNA-damaging agents that induce double-stranded DNA breaks. We propose that ATRX loss results in a genetically unstable tumor, which is more aggressive when left untreated but is more responsive to double-stranded DNA-damaging agents, resulting in improved overall survival.

Abstract Purpose: Genetic alterations of KRAS, CDKN2A, TP53, and SMAD4 are the most frequent events in pancreatic cancer. We determined the extent to which these 4 alterations are coexistent in the same carcinoma, and their impact on patient outcome. Experimental Design: Pancreatic cancer patients who underwent an autopsy were studied (n = 79). Matched primary and metastasis tissues were evaluated for intragenic mutations in KRAS, CDKN2A, and TP53 and immunolabeled for CDKN2A, TP53, and SMAD4 protein products. The number of altered driver genes in each carcinoma was correlated to clinicopathologic features. Kaplan–Meier estimates were used to determine median disease free and overall survival, and a Cox proportional hazards model used to compare risk factors. Results: The number of genetically altered driver genes in a carcinoma was variable, with only 29 patients (37%) having an alteration in all 4 genes analyzed. The number of altered driver genes was significantly correlated with disease free survival (P = 0.008), overall survival (P = 0.041), and metastatic burden at autopsy (P = 0.002). On multivariate analysis, the number of driver gene alterations in a pancreatic carcinoma remained independently associated with overall survival (P = 0.046). Carcinomas with only 1 to 2 driver alterations were enriched for those patients with the longest survival (median 23 months, range 1 to 53). Conclusions: Determinations of the status of the 4 major driver genes in pancreatic cancer, and specifically the extent to which they are coexistent in an individual patients cancer, provides distinct information regarding disease progression and survival that is independent of clinical stage and treatment status. Clin Cancer Res; 18(22); 6339–47. ©2012 AACR.

Patients with glioma whose tumors carry a mutation in isocitrate dehydrogenase 1 (IDH1R132H) are younger at diagnosis and live longer. IDH1 mutations co-occur with other molecular lesions, such as 1p/19q codeletion, inactivating mutations in the tumor suppressor protein 53 (TP53) gene, and loss-of-function mutations in alpha thalassemia/mental retardation syndrome X-linked gene (ATRX). All adult low-grade gliomas (LGGs) harboring ATRX loss also express the IDH1R132H mutation. The current molecular classification of LGGs is based, partly, on the distribution of these mutations. We developed a genetically engineered mouse model harboring IDH1R132H, TP53 and ATRX inactivating mutations, and activated NRAS G12V. Previously, we established that ATRX deficiency, in the context of wild-type IDH1, induces genomic instability, impairs nonhomologous end-joining DNA repair, and increases sensitivity to DNA-damaging therapies. In this study, using our mouse model and primary patient-derived glioma cultures with IDH1 mutations, we investigated the function of IDH1R132H in the context of TP53 and ATRX loss. We discovered that IDH1R132H expression in the genetic context of ATRX and TP53 gene inactivation (i) increases median survival in the absence of treatment, (ii) enhances DNA damage response (DDR) via epigenetic up-regulation of the ataxia-telangiectasia-mutated (ATM) signaling pathway, and (iii) elicits tumor radioresistance. Accordingly, pharmacological inhibition of ATM or checkpoint kinases 1 and 2, essential kinases in the DDR, restored the tumors' radiosensitivity. Translation of these findings to patients with IDH1132H glioma harboring TP53 and ATRX loss could improve the therapeutic efficacy of radiotherapy and, consequently, patient survival.

Abstract While alterations in nucleus size, shape, and color are ubiquitous in cancer, comprehensive quantification of nuclear morphology across a whole-slide histologic image remains a challenge. Here, we describe the development of a pan-tissue, deep learning-based digital pathology pipeline for exhaustive nucleus detection, segmentation, and classification and the utility of this pipeline for nuclear morphologic biomarker discovery. Manually-collected nucleus annotations were used to train an object detection and segmentation model for identifying nuclei, which was deployed to segment nuclei in H&E-stained slides from the BRCA, LUAD, and PRAD TCGA cohorts. Interpretable features describing the shape, size, color, and texture of each nucleus were extracted from segmented nuclei and compared to measurements of genomic instability, gene expression, and prognosis. The nuclear segmentation and classification model trained herein performed comparably to previously reported models. Features extracted from the model revealed differences sufficient to distinguish between BRCA, LUAD, and PRAD. Furthermore, cancer cell nuclear area was associated with increased aneuploidy score and homologous recombination deficiency. In BRCA, increased fibroblast nuclear area was indicative of poor progression-free and overall survival and was associated with gene expression signatures related to extracellular matrix remodeling and anti-tumor immunity. Thus, we developed a powerful pan-tissue approach for nucleus segmentation and featurization, enabling the construction of predictive models and the identification of features linking nuclear morphology with clinically-relevant prognostic biomarkers across multiple cancer types.

Glioma patients whose tumors carry a mutation in the Isocitrate Dehydrogenase 1 (IDH1R132H) gene are younger at the time of diagnosis and survive longer. The molecular glioma subtype which we modelled, harbors IDH1R132H, tumor protein 53 (TP53) and alpha thalassemia/mental retardation syndrome X-linked (ATRX) loss. The impact of IDH1R132H on genomic stability, DNA damage response (DDR) and DNA repair in this molecular glioma subtype is unknown. We discovered that IDH1R132H expression in the genetic context of ATRX and TP53 inactivation: (i) increases median survival (MS), (ii) enhances DDR activity via epigenetic upregulation of Ataxia-telangiectasia mutated (ATM) signaling, and (iii) elicits tumor radioresistance. Pharmacological inhibition of ATM or checkpoint kinase 1 and 2 (CHK1/2), two essential kinases in the DDR pathways, restored tumor radiosensitivity. Translation of these findings for mIDH1 glioma patients could significantly improve the therapeutic efficacy of radiotherapy, and thus have a major impact on patient survival.

Abstract Histological assessment is essential for the diagnosis and management of celiac disease. Current scoring systems, including modified Marsh (Marsh–Oberhuber) score, lack inter-pathologist agreement. To address this unmet need, we aimed to develop a fully automated, quantitative approach for histology characterisation of celiac disease. Convolutional neural network models were trained using pathologist annotations of hematoxylin and eosin-stained biopsies of celiac disease mucosa and normal duodenum to identify cells, tissue and artifact regions. Biopsies of duodenal mucosa of varying celiac disease severity, and normal duodenum were collected from a large central laboratory. Celiac disease slides ( N = 318) were split into training ( n = 230; 72.3%), validation ( n = 60; 18.9%) and test ( n = 28; 8.8%) datasets. Normal duodenum slides ( N = 58) were similarly divided into training ( n = 40; 69.0%), validation ( n = 12; 20.7%) and test ( n = 6; 10.3%) datasets. Human interpretable features were extracted and the strength of their correlation with Marsh scores were calculated using Spearman rank correlations. Our model identified cells, tissue regions and artifacts, including distinguishing intraepithelial lymphocytes and differentiating villous epithelium from crypt epithelium. Proportional area measurements representing villous atrophy negatively correlated with Marsh scores ( r = − 0.79), while measurements indicative of crypt hyperplasia positively correlated ( r = 0.71). Furthermore, features distinguishing celiac disease from normal duodenum were identified. Our novel model provides an explainable and fully automated approach for histology characterisation of celiac disease that correlates with modified Marsh scores, potentially facilitating diagnosis, prognosis, clinical trials and treatment response monitoring.

8539 Background: The classification of tumors as inflamed, excluded or desert based on spatial patterns of tumor infiltrating lymphocytes (TILs) is a potential biomarker of patients likely to respond to checkpoint inhibitors (CPI). However, the subjectivity of manual methods to assess these immune phenotypes (IPs) and poor standardization in the methods and thresholds to define IPs have hampered their clinical adoption. Here, we describe a data-driven approach to inform IP threshold selection on hematoxylin and eosin (H&E)-stained whole slide images (WSI) by maximizing differences in overall survival (OS) between IPs. Methods: A model to classify the IPs of NSCLC samples from H&E images was developed using PathExplore models applied to a TCGA non-small cell lung cancer (NSCLC) cohort of LUAD (N=459) and LUSC (N=424). TIL densities were extracted within cancer and stroma for 0.01 mm2 patches tiled across each WSI. Cut-offs to define cancer and stroma patches as hot or cold were defined based on the 75th and 50th percentiles, respectively, of cancer TIL (cTIL) densities (386 cTIL/mm2) and stroma TIL (sTIL) densities (423 sTIL/mm2) in a TCGA cohort of 4,082 H&E-stained WSI from 10 epithelial tumor types. Hierarchical fitting yielded optimal thresholds minimizing the p-values of OS differences between IPs, leading to classifications of inflamed (iIP, >40% cancer hot patches), excluded (eIP, ≤40% cancer hot patches; >45% stromal hot patches) and desert (dIP, ≤40% cancer hot patches; ≤45% stromal hot patches). The model was then deployed in a clinical cohort of PD-(L)1 inhibitor-treated NSCLC patients (N=95) enrolled in the BIP precision medicine study (NCT02534649; Institut Bergonié, Bordeaux, France). Model-predicted IPs were compared to progression-free survival (PFS) and OS. FDR correction was done with Benjamini-Hochberg. Results: In the TCGA NSCLC cohort, model-predicted iIP (N=196) and eIP (N=607) patients had significantly better OS compared to dIP (N=80; HR=0.53, p=0.003 and HR=0.59, p=0.003, respectively). In the clinical cohort, cTIL density and fraction of hot epithelial patches were significantly associated with PFS (HR=0.64, q=0.04 and HR=0.69, q=0.04, respectively). PFS was significantly shorter in model-predicted eIP patients (N=46) compared to iIP (N=39; HR=0.54, p=0.045). Notably, in PD-L1(-) patients (N=43, tumor proportion score ≤1%), iIP patients had longer PFS than eIP and dIP patients (HR=0.35, p=0.02). No difference in PFS was observed for PD-L1(+) patients. Conclusions: We developed a data-driven approach for predicting IPs using patch-level TIL features. Model-predicted IPs were prognostic in a TCGA NSCLC dataset and predictive of PFS in a CPI- treated clinical NSCLC cohort. Association of IP and PFS was independent of PD-L1 status, potentially allowing the identification of PD-L1(-) patients who may derive greater benefit from CPI.