SUMMARY Ductal carcinoma in situ (DCIS) is the most common precursor of invasive breast cancer (IBC), with variable propensity for progression. We have performed the first multiscale, integrated profiling of DCIS with clinical outcomes by analyzing 677 DCIS samples from 481 patients with 7.1 years median follow-up from the Translational Breast Cancer Research Consortium (TBCRC) 038 study and the Resource of Archival Breast Tissue (RAHBT) cohorts. We identified 812 genes associated with ipsilateral recurrence within 5 years from treatment and developed a classifier that was predictive of DCIS or IBC recurrence in both cohorts. Pathways associated with recurrence include proliferation, immune response, and metabolism. Distinct stromal expression patterns and immune cell compositions were identified. Our multiscale approach employed in situ methods to generate a spatially resolved atlas of breast precancers, where complementary modalities can be directly compared and correlated with conventional pathology findings, disease states, and clinical outcome. HIGHLIGHTS ⍰ Development of a new classifier for DCIS recurrence or progression ⍰ Outcome associated pathways identified across multiple data types and compartments ⍰ Four stroma-specific signatures identified ⍰ CNAs characterize DCIS subgroups associated with high risk invasive cancers

Ductal carcinoma in situ (DCIS) and invasive breast cancer share many morphologic, proteomic, and genomic alterations. Yet in contrast to invasive cancer, many DCIS tumors do not progress and may remain indolent over decades. To better understand the heterogenous nature of this disease, we reconstructed the growth dynamics of 18 DCIS tumors based on the geo-spatial distribution of their somatic mutations. The somatic mutation topographies revealed that DCIS is multiclonal and consists of spatially discontinuous subclonal lesions. Here we show that this pattern of spread is consistent with a new "Comet" model of DCIS tumorigenesis, whereby multiple subclones arise early and nucleate the buds of the growing tumor. The discontinuous, multiclonal growth of the Comet model is analogous to the branching morphogenesis of normal breast development that governs the rapid expansion of the mammary epithelium during puberty. The branching morphogenesis-like dynamics of the proposed Comet model diverges from the canonical model of clonal evolution, and better explains observed genomic spatial data. Importantly, the Comet model allows for the clinically relevant scenario of extensive DCIS spread, without being subjected to the selective pressures of subclone competition that promote the emergence of increasingly invasive phenotypes. As such, the normal cell movement inferred during DCIS growth provides a new explanation for the limited risk of progression in DCIS and adds biologic rationale for ongoing clinical efforts to reduce DCIS overtreatment.

Despite increasing evidence supporting the clinical relevance of tumour infiltrating lymphocytes (TILs) in invasive breast cancer, TIL spatial distribution pattern surrounding ductal carcinoma in situ (DCIS) and its association with progression is not well understood. To characterize the tissue microecology of DCIS, we designed and tested a new deep learning pipeline, UNMaSk (UNet-IM-Net-SCCNN), for the automated detection and simultaneous segmentation of DCIS ducts. This new method achieved the highest sensitivity and recall over cutting-edge deep learning networks in three patient cohorts, as well as the highest concordance with DCIS identification based on CK5 staining. Following automated DCIS detection, spatial tessellation centred at each DCIS duct created the boundary in which local ecology can be studied. Single cell identification and classification was performed with an existing deep learning method to map the distribution of TILs. In a dataset comprising grade 2-3 pure DCIS and DCIS adjacent to invasive cancer (adjacent DCIS), we found that pure DCIS cases had more TILs compared to adjacent DCIS. However, TILs co-localise significantly less with DCIS ducts in pure DCIS compared with adjacent DCIS, suggesting a more inflamed tissue ecology local to adjacent DCIS cases. Our experiments demonstrate that technological developments in deep convolutional neural networks and digital pathology can enable us to automate the identification of DCIS as well as to quantify the spatial relationship with TILs, providing a new way to study immune response and identify new markers of progression, thereby improving clinical management.

ABSTRACT The defining characteristic of ductal carcinoma in situ (DCIS) is neoplastic epithelial growth within a duct surrounded by an intact basement membrane (BM) whereas invasive breast cancer (IBC) is defined by tumor cell extravasation associated with loss of the intact BM. To understand mechanisms underlying the development of DCIS, we performed single-cell RNA-sequencing (scRNA-seq) on DCIS and synchronous normal tissue. We identified neoplastic epithelial cells by inferring copy number variations from RNA expression and then classified cells using previously defined phenotypes from normal human breast epithelium. We identify an increase in luminal cells in DCIS and a concomitant decrease in basal cells, which are a significant source of BM gene expression. We hypothesize that the reduction of the relative abundance of basal cells reduces the integrity of the BM that can result in the invasive phenotype.

Intra-tumoral heterogeneity (ITH) could represent clonal evolution where subclones with greater fitness confer more malignant phenotypes and invasion constitutes an evolutionary bottleneck. Alternatively, ITH could represent branching evolution with invasion of multiple subclones. The two models respectively predict a hierarchy of subclones arranged by phenotype, or multiple subclones with shared phenotypes. We delineated these modes of invasion by merging ancestral, topographic, and phenotypic information from 12 human colorectal tumors (11 carcinomas, 1 adenoma) obtained through saturation microdissection of 325 small tumor regions. The majority of subclones (29/46, 60%) shared superficial and invasive phenotypes. Of 11 carcinomas, 9 showed evidence of multiclonal invasion, and invasive and metastatic subclones arose early along the ancestral trees. Early multiclonal invasion in the majority of these tumors indicates the expansion of co-evolving subclones with similar malignant potential in absence of late bottlenecks, and suggests that barriers to invasion are minimal during colorectal cancer growth.

Abstract Most tissue collections of neoplasms are composed of formalin-fixed and paraffin-embedded (FFPE) excised tumor samples used for routine diagnostics. DNA sequencing is becoming increasingly important in cancer research and clinical management; however, it is difficult to accurately sequence DNA from FFPE samples. We developed and validated a new bioinformatic algorithm to robustly identify somatic single nucleotide variants (SNVs) from whole exome sequencing using small amounts of DNA extracted from archival FFPE samples of breast cancers. We optimized this strategy using 28 pairs of technical replicates. After optimization, the mean similarity between replicates increased 5-fold, reaching 88% (range 0-100%), with a mean of 21.4 SNVs (range 1-68) per sample, representing a markedly superior performance to existing algorithms. We found that the SNV-identification accuracy declined when there was less than 40ng of DNA available and that insertion-deletion variant calls are less reliable than single base substitutions. As the first application of the new algorithm, we compared samples of ductal carcinoma in situ (DCIS) of the breast to their adjacent invasive ductal carcinoma (IDC) samples. We observed an increased number of mutations (paired-samples sign test, p<0.05), and a higher genetic divergence in the invasive samples (paired-samples sign test, p<0.01). Our algorithm provides a significant improvement in detecting SNVs in FFPE samples over previous approaches. Key Points The sequencing of reduced quantities of DNA extracted from FFPE samples leads to substantial sequencing errors that require correction in order to obtain accurate detection of somatic mutations. We developed and validated a new bioinformatic algorithm to robustly identify somatic single nucleotide variants using small amounts of DNA extracted from archival FFPE samples of breast cancers. Variant calling software packages need to be optimized to reduce the impact of sequencing errors. Our bioinformatics pipeline represents a significant methodological advance compared to the currently available bioinformatic tools used for the analysis of small FFPE samples.