The immune microenvironment influences tumour evolution and can be both prognostic and predict response to immunotherapy1,2. However, measurements of tumour infiltrating lymphocytes (TILs) are limited by a shortage of appropriate data. Whole-exome sequencing (WES) of DNA is frequently performed to calculate tumour mutational burden and identify actionable mutations. Here we develop T cell exome TREC tool (T cell ExTRECT), a method for estimation of T cell fraction from WES samples using a signal from T cell receptor excision circle (TREC) loss during V(D)J recombination of the T cell receptor-α gene (TCRA (also known as TRA)). TCRA T cell fraction correlates with orthogonal TIL estimates and is agnostic to sample type. Blood TCRA T cell fraction is higher in females than in males and correlates with both tumour immune infiltrate and presence of bacterial sequencing reads. Tumour TCRA T cell fraction is prognostic in lung adenocarcinoma. Using a meta-analysis of tumours treated with immunotherapy, we show that tumour TCRA T cell fraction predicts immunotherapy response, providing value beyond measuring tumour mutational burden. Applying T cell ExTRECT to a multi-sample pan-cancer cohort reveals a high diversity of the degree of immune infiltration within tumours. Subclonal loss of 12q24.31–32, encompassing SPPL3, is associated with reduced TCRA T cell fraction. T cell ExTRECT provides a cost-effective technique to characterize immune infiltrate alongside somatic changes. A robust, cost-effective technique based on whole-exome sequencing data can be used to characterize immune infiltrates, relate the extent of these infiltrates to somatic changes in tumours, and enables prediction of tumour responses to immune checkpoint inhibition therapy.

Background: In 2012, two large pharmacogenomic studies, the Genomics of Drug Sensitivity in Cancer (GDSC) and Cancer Cell Line Encyclopedia (CCLE), were published, each reported gene expression data and measures of drug response for a large number of drugs and hundreds of cell lines. In 2013, we published a comparative analysis that reported gene expression profiles for the 471 cell lines profiled in both studies and dose response measurements for the 15 drugs characterized in the common cell lines by both studies. While we found good concordance in gene expression profiles, there was substantial inconsistency in the drug responses reported by the GDSC and CCLE projects. Our paper was widely discussed and we received extensive feedback on the comparisons that we performed. This feedback, along with the release of new data, prompted us to revisit our initial analysis. Here we present a new analysis using these expanded data in which we address the most significant suggestions for improvements on our published analysis: that drugs with different response characteristics should have been treated differently, that targeted therapies and broad cytotoxic drugs should have been treated differently in assessing consistency, that consistency of both molecular profiles and drug sensitivity measurements should both be compared across cell lines to accurately assess differences in the studies, that we missed some biomarkers that are consistent between studies, and that the software analysis tools we provided with our analysis should have been easier to run, particularly as the GDSC and CCLE released additional data. Methods: For each drug, we used published sensitivity data from the GDSC and CCLE to separately estimate drug dose-response curves. We then used two statistics, the area between drug dose-response curves (ABC) and the Matthews correlation coefficient (MCC), to robustly estimate the consistency of continuous and discrete drug sensitivity measures, respectively. We also used recently released RNA-seq data together with previously published gene expression microarray data to assess inter-platform reproducibility of cell line gene expression profiles. Results: This re-analysis supports our previous finding that gene expression data are significantly more consistent than drug sensitivity measurements. The use of new statistics to assess data consistency allowed us to identify two broad effect drugs -- 17-AAG and PD-0332901 -- and three targeted drugs -- PLX4720, nilotinib and crizotinib -- with moderate to good consistency in drug sensitivity data between GDSC and CCLE. Not enough sensitive cell lines were screened in both studies to robustly assess consistency for three other targeted drugs, PHA-665752, erlotinib, and sorafenib. Concurring with our published results, we found evidence of inconsistencies in pharmacological phenotypes for the remaining eight drugs. Further, to discover "consistency" between studies required the use of multiple statistics and the selection of specific measures on a case-by-case basis. Conclusion: Our results reaffirm our initial findings of an inconsistency in drug sensitivity measures for eight of fifteen drugs screened both in GDSC and CCLE, irrespective of which statistical metric was used to assess correlation. Taken together, our findings suggest that the phenotypic data on drug response in the GDSC and CCLE continue to present challenges for robust biomarker discovery. This re-analysis provides additional support for the argument that experimental standardization and validation of pharmacogenomic response will be necessary to advance the broad use of large pharmacogenomic screens.

Whole genome doubling (WGD) is a prevalent macro-evolutionary event in cancer, involving a doubling of the entire chromosome complement. However, despite its prevalence and clinical prognostic relevance, the evolutionary selection pressures for WGD have not been investigated. Here, we explored whether WGD may act to mitigate the irreversible, inexorable ratchet-like, accumulation of deleterious mutations in essential genes. Utilizing 1050 tumor regions from 816 non-small cell lung cancers (NSCLC), we temporally dissect mutations to determine their temporal acquisition in relation to WGD. We find evidence for strong negative selection against homozygous loss of essential cancer genes prior to WGD. However, mutations in essential genes occurring after duplication were not subject to significant negative selection, consistent with WGD providing a buffering effect, decreasing the likelihood of homozygous loss. Finally, we demonstrate that loss of heterozygosity and temporal dissection of mutations can be exploited to identify signals of positive selection in lung, breast, colorectal cancer and other cancer types, enabling the elucidation of novel tumour suppressor genes and a deeper characterization of known cancer genes.

SUMMARY Personalized cancer vaccines (PCVs) largely leverage neoantigens arising from somatic mutations limiting their application to patients with relatively high tumor mutational burden (TMB). This underscores the need for alternative antigens to design PCVs for low TMB cancers. To this end, we substantiate endogenous retroviral elements (EVEs) as tumor antigens through large-scale genomic analyses of healthy tissues and solid cancers. These analyses revealed that the breadth of EVE expression in tumors stratify checkpoint inhibitor treated melanoma patients into groups with differential overall and progression-free survival. To enable the design of PCVs containing EVE-derived epitopes with therapeutic potential, we developed a computational pipeline, ObsERV. We show that EVE-derived peptides are presented as epitopes on tumors and can be predicted by ObsERV. Preclinical testing of ObsERV demonstrates induction of sustained poly-functional CD4+ and CD8+ T-cell responses as well as long-term tumor protection. As such, EVEs may facilitate and improve PCVs especially for low-TMB patients.

The current understanding of tumorigenesis is largely centered on a monogenic driver oncogene model. This paradigm is incompatible with the prevailing clinical experience in most solid malignancies: monotherapy with a drug directed against an individual oncogenic driver typically results in incomplete clinical responses and eventual tumor progression1-7. By profiling the somatic genetic alterations present in over 2,000 cases of lung cancer, the leading cause of cancer mortality worldwide8,9, we show that combinations of functional genetic alterations, i.e. genetic collectives dominate the landscape of advanced-stage disease. We highlight this polygenic landscape and evolution of advanced-stage non-small cell lung cancer (NSCLC) through the spatial-temporal genomic profiling of 7 distinct tumor biopsy specimens and 6 plasma specimens obtained from an EGFR-mutant NSCLC patient at (1) initial diagnosis of early-stage disease, (2) metastatic progression, (3) sequential treatment and resistance to 2 EGFR inhibitors, (4) death. The comprehensive genomic analysis of this case, coupled with circulating free (cf) tumor DNA profiling of additional advanced-stage EGFR-mutant NSCLC clinical cohorts with associated treatment responses uncovered features of evolutionary selection for multiple concurrent gene alterations: including the presence of EGFR inhibitor-sensitive (EGFRL858R;EGFRexon19del) or inhibitor-resistant (EGFRT790M;EGFRC797S) forms of oncogenic EGFR along with cell cycle gene alterations (e.g. in CDK4/6, CCNE1, RB1) and activating alterations in WNT/β-catenin and PI3K pathway genes, which our data suggest can cooperatively impart non-redundant functions to limit EGFR targeted therapy response and/or promote tumor progression. Moreover, evidence of an unanticipated parallel evolution of both EGFRT790M and two distinct forms of oncogenic PIK3CA was observed. Our study provides a large-scale clinical and genetic dataset of advanced-stage EGFR-mutant NSCLC, a rationale for specific polytherapy strategies such as EGFR and CDK4/6 inhibitor co-treatment to potentially enhance clinical outcomes, and prompts a re-evaluation of the prevailing paradigm of monogenic-based molecular stratification for targeted therapy. Instead, our findings highlight an alternative model of genetic collectives that operate through epistasis to drive lung cancer progression and therapy resistance.

In 2013 we published an analysis demonstrating that drug response data and gene-drug associations reported in two independent large-scale pharmacogenomic screens, Genomics of Drug Sensitivity in Cancer (GDSC) and Cancer Cell Line Encyclopedia (CCLE), were inconsistent. The GDSC and CCLE investigators recently reported that their respective studies exhibit reasonable agreement and yield similar molecular predictors of drug response, seemingly contradicting our previous findings. Reanalyzing the authors' published methods and results, we found that their analysis failed to account for variability in the genomic data and more importantly compared different drug sensitivity measures from each study, which substantially deviate from our more stringent consistency assessment. Our comparison of the most updated genomic and pharmacological data from the GDSC and CCLE confirms our published findings that the measures of drug response reported by these two groups are not consistent. We believe that a principled approach to assess the reproducibility of drug sensitivity predictors is necessary before envisioning their translation into clinical settings.