We present the molecular landscape of pediatric acute myeloid leukemia (AML), characterizing nearly 1,000 participants in Childrens Oncology Group (COG) AML trials. The COG/NCI TARGET AML initiative assessed cases by whole-genome, targeted DNA, mRNA, miRNA sequencing and CpG methylation profiling. Validated DNA variants revealed diverse, infrequent mutations with fewer than 40 genes mutated in >2% of cases. In contrast, somatic structural variants, including novel gene fusions and focal MBNL1, ZEB2, and ELF1 deletions, were disproportionately prevalent in young as compared to adult patients. Conversely, DNMT3A and TP53 mutations, common in adults, are conspicuously absent from virtually all pediatric cases. Novel GATA2, FLT3, and CBL mutations, recurrent MYC-ITD, NRAS, KRAS, and WT1 mutations are frequent in pediatric AML. Deletions, mutations, and promoter DNA hypermethylation convergently impact Wnt signaling, Polycomb repression, innate immune cell interactions, and a cluster of zinc finger genes associated with KMT2A rearrangements. These results highlight the need for, and facilitate the development of, age-tailored targeted therapies for the treatment of pediatric AML.

Abstract Spikelet number per spike (SNS) is one of the crucial factors determining wheat yield. Thus, improving our understanding of the genes that regulate SNS could help develop higher-yielding wheat varieties. A genetic linkage map constructed using the GenoBaits Wheat 16K Panel and the 660K SNP array contained 5991 polymorphic SNP markers spanning 2813.26 cM. A total of twelve QTL for SNS were detected in the recombinant inbred line (RIL) population msf × Chuannong 16 (MC), and two of them, i.e., QSns.sau-MC-3D.1 and QSns.sau-MC-7A , were stably expressed. QSns.sau-MC-3D.1 had high LOD values ranging from 4.99 to 11.06 and explained 9.71-16.75% of the phenotypic variation. Comparison of QSns.sau-MC-3D.1 with previously reported SNS QTL suggested that it is likely a novel one. A kompetitive allele-specific PCR (KASP) marker, KASP-10, tightly linked to QSns.sau-MC-3D.1 was developed to successfully validate its effect in three segregated populations and a natural population. Genetic analysis indicated that WHEAT ORTHOLOG OFAPO1 ( WAPO1 ) was a candidate gene for QSns.sau-MC-7A . The combined additive effect of QSns.sau-MC-3D.1 and WAP01 had a great additive effect increasing SNS by 7.10%. In addition, our results suggested that SNS is not affected by 1BL/1RS translocations in the MC RIL population. Correlation analysis between two major QTL and other agronomic traits showed that QSns.sau-MC-3D.1 was likely independent of these agronomic traits. However, the H2 haplotype of WAPO1 may affect effective tiller number and plant height. This indicated that the breeding potential of QSns.sau-MC-3D.1 is better than that of WAPO1 . The geographical distribution of QSns.nsau-MC-3D.1 showed that QSns.sau-MC-3D.1 positive allele frequency was dominant in most wheat-producing regions of China and it has been positively selected among modern cultivars released in China since the 1940s. Two genes, TraesCS3D03G0222600 and TraesCS3D03G0216800 , associated with SNS development were predicted in the physical interval of QSns.sau-MC-3D.1 . qRT-PCR results of the two genes showed that only the expression level of TraesCS3D03G0216800 was significantly different between msf and CN16. These results enrich our understanding of the genetic basis of wheat SNS and will be useful for fine mapping and cloning of genes underlying QSns.sau-MC-3D.1 , and provide a basis for marker-assisted selection breeding. Author summary In this study, we identified two major QTL ( QSns.sau-MC-3D.1 and QSns.sau-MC-7A ) in a RIL population. WAPO1 was demonstrated to be the candidate gene for QSns.sau-MC-7A. QSns.sau-MC-3D.1 was a novel and stably expressed QTL, and further confirmed in different genetic backgrounds. Our results further demonstrate that QSns.sau-MC-3D.1 has better breeding potential because of its no adverse effect on other agronomic traits than WAPO1 , and it has been positively selected during Chinese breeding programs since the 1940s. Taken together, the identification of QSns.sau-MC-3D.1 offers a promising resource to further increase wheat yields.

Multiplex staining enables simultaneous detection of multiple protein markers within a tissue sample. However, the increased marker count increased the likelihood of staining and imaging failure, leading to higher resource usage in multiplex staining and imaging. We address this by proposing a deep learning-based MArker imputation model for multipleXIMages (MAXIM) that accurately impute protein markers by leveraging latent biological relationships between markers. The model9s imputation ability is extensively evaluated at pixel and cell levels across various cancer types. Additionally, we present a comparison between imputed and actual marker images within the context of a downstream cell classification task. The MAXIM model9s interpretability is enhanced by gaining insights into the contribution of individual markers in the imputation process. In practice, MAXIM can reduce the cost and time of multiplex staining and image acquisition by accurately imputing protein markers affected by staining issues.

Background: Tumor classification and feature quantification from H&E histology images are critical tasks for cancer diagnosis, cancer research, and treatment. However, both tasks involve tedious and time-consuming manual examination of histology images. We explored the possibilities of using deep learning methods to perform segmentation and classification of histology images of cancer tissue for their potential in computer-aided tumor diagnosis and other clinical and research applications. Specifically, we tested selected deep learning methods for their performance in the segmentation of stroma and glandular objects in tumor image data and in the classification of tumor images. We automated these tasks to help facilitate downstream tumor image analysis, reduce the labor load of pathologists, and provide them with a second opinion on their analysis. Methods: We modified a patch-based U-Net model and trained it to perform stroma detection and segmentation in cancer tissue. Then the semantic segmentation capabilities of the U-Net model were compared with that of a DeepLabV3+ model. We also explored the possible use of transfer learning to train a patch-based model to classify cancer tissue images as carcinoma and sarcoma and to further classify them as carcinoma subtypes. Results: In spite of the limited dataset available for the pilot study, we found that the unconventional DeepLabV3+ model performed biomedical image segmentation more effectively than U-Net when k-fold cross-validation was utilized, but U-Net still showed promise as an effective and efficient model when we used a customized validation approach. We believe that the DeepLabV3+ model can perform segmentation with even more accuracy if computation resource constraints are removed or if more data is used to augment the result. In terms of tumor classification, our selected models also consistently achieve test accuracies above 80%, with a model trained using transfer learning with VGG-16 network as the feature extractors, or convolutional base performing best. For multi-class tumor subtype classification, we also observed promising test accuracies from our models, and a customized post-processing method provided even higher prediction accuracy on test set images and this method can be further investigated. Conclusions: This pilot exploratory study provided strong evidence for the powerful potentials of deep learning models for segmentation and classification of tumor image data.

Variant interpretation in the era of next-generation sequencing (NGS) is challenging. While many resources and guidelines are available to assist with this task, few integrated end-to-end tools exist. Here we present "PeCanPIE" — the Pediatric Cancer Variant Pathogenicity Information Exchange, a web- and cloud-based platform for annotation, identification, and classification of variations in known or putative disease genes. Starting from a set of variants in Variant Call Format (VCF), variants are annotated, ranked by putative pathogenicity, and presented for formal classification using a decision-support interface based on published guidelines from the American College of Medical Genetics and Genomics (ACMG). The system can accept files containing millions of variants and handle single-nucleotide variants (SNVs), simple insertions/deletions (indels), multiple-nucleotide variants (MNVs), and complex substitutions. PeCanPIE has been applied to classify variant pathogenicity in cancer predisposition genes in two large-scale investigations involving >4,000 pediatric cancer patients, and serves as a repository for the expert-reviewed results. While PeCanPIE's web-based interface was designed to be accessible to non-bioinformaticians, its back end pipelines may also be run independently on the cloud, facilitating direct integration and broader adoption. PeCanPIE is publicly available and free for research use.

Aggressive cancers often have activating mutations in growth controlling oncogenes and inactivating mutations in tumor-suppressor genes. In neuroblastoma, amplification of the MYCN oncogene and inactivation of the ATRX tumor-suppressor gene correlate with high-risk disease and poor prognosis. Here we show that ATRX mutations and MYCN amplification are mutually exclusive across all ages and stages in neuroblastoma. Using human cell lines and mouse models, we found that elevated MYCN expression and ATRX mutations are incompatible. Elevated MYCN levels promote metabolic reprogramming, mitochondrial dysfunction, reactive-oxygen species generation, and DNA replicative stress. The combination of replicative stress caused by defects in the ATRX histone chaperone complex and that induced by MYCN mediated metabolic reprogramming leads to synthetic lethality. Therefore, ATRX and MYCN represent an unusual example, where inactivation of a tumor-suppressor gene and activation of an oncogene are incompatible. This synthetic lethality may eventually be exploited to improve outcomes for patients with high risk neuroblastoma.

Previously, we have indicated that Hot Water Extract (HWE) from Spent Mushroom Substrate (SMS) of Ganoderma lucidum enhanced immune function of normal mice, and improved antioxidant activity and enhanced immune function of immunosuppression mice induced by cyclophosphamide (Cy). Here we performed the high throughput RNA sequencing strategy using Illumina HiSeqTM 2000 to characterize the spleen transcriptome from normal (CK1), HWE-treated (CK2), Cy-treated (CY) and both high dose HWE and Cy-treated mice (CH). From the RNA Sequencing, total mapped reads of map to Gene in CK1, CK2, CY and CH was 54 759 942, 54 678 926, 44 728 132 and 54 006 596, respectively. And gene expression was significantly different among CK1 and CK2, CY and CH. Compared with CK1, the gene expression of Ugt1a6b was down-regulated in CK2 after HWE treated. In addition, compared with CY, multiple tumor suppressor or tumorigenesis genes were down-regulated, such as Cdkn1a, Cdkn1b, Mapk10, Vash1, and Tnc and other genes in CK2 and CH. Taken together, our study highlighted the spleen transcriptome profiles of C57BL/6 mouse in response to HWE from SMS of G. lucidum and Cy, and indicated that HWE can improve the immune function of the mouse and accelerated the recovery of immunosuppression in Cy-treated mice.