The identification of genomic rearrangements with high sensitivity and specificity using massively parallel sequencing remains a major challenge, particularly in precision medicine and cancer research. Here, we describe a new method for detecting rearrangements, GRIDSS (Genome Rearrangement IDentification Software Suite). GRIDSS is a multithreaded structural variant (SV) caller that performs efficient genome-wide break-end assembly prior to variant calling using a novel positional de Bruijn graph-based assembler. By combining assembly, split read, and read pair evidence using a probabilistic scoring, GRIDSS achieves high sensitivity and specificity on simulated, cell line, and patient tumor data, recently winning SV subchallenge #5 of the ICGC-TCGA DREAM8.5 Somatic Mutation Calling Challenge. On human cell line data, GRIDSS halves the false discovery rate compared to other recent methods while matching or exceeding their sensitivity. GRIDSS identifies nontemplate sequence insertions, microhomologies, and large imperfect homologies, estimates a quality score for each breakpoint, stratifies calls into high or low confidence, and supports multisample analysis.

Clinical specimens undergoing diagnostic molecular pathology testing are fixed in formalin due to the necessity for detailed morphological assessment. However, formalin fixation can cause major issues with molecular testing, as it causes DNA damage such as fragmentation and non-reproducible sequencing artefacts after PCR amplification. In the context of massively parallel sequencing (MPS), distinguishing true low frequency variants from sequencing artefacts remains challenging. The prevalence of formalin-induced DNA damage and its impact on molecular testing and clinical genomics remains poorly understood. The Cancer 2015 study is a population-based cancer cohort used to assess the feasibility of mutational screening using MPS in cancer patients from Victoria, Australia. While blocks were formalin-fixed and paraffin-embedded in different anatomical pathology laboratories, they were centrally extracted for DNA utilising the same protocol, and run through the same MPS platform (Illumina TruSeq Amplicon Cancer Panel). The sequencing artefacts in the 1-10% and the 10-25% allele frequency ranges were assessed in 488 formalin-fixed tumours from the pilot phase of the Cancer 2015 cohort. All blocks were less than 2.5 years of age (mean 93 days). Consistent with the signature of DNA damage due to formalin fixation, many formalin-fixed samples displayed disproportionate levels of C>T/G>A changes in the 1-10% allele frequency range. Artefacts were less apparent in the 10-25% allele frequency range. Significantly, changes were inversely correlated with coverage indicating high levels of sequencing artefacts were associated with samples with low amounts of available amplifiable template due to fragmentation. The degree of fragmentation and sequencing artefacts differed between blocks sourced from different anatomical pathology laboratories. In a limited validation of potentially actionable low frequency mutations, a NRAS G12D mutation in a melanoma was shown to be a false positive. These findings indicate that DNA damage following formalin fixation remains a major challenge in laboratories working with MPS. Methodologies that assess, minimise or remove formalin-induced DNA damaged templates as part of MPS protocols will aid in the interpretation of genomic results leading to better patient outcomes.

ABSTRACT The identification of genomic rearrangements, particularly in cancers, with high sensitivity and specificity using massively parallel sequencing remains a major challenge. Here, we describe the Genome Rearrangement IDentification Software Suite (GRIDSS), a high-speed structural variant (SV) caller that performs efficient genome-wide break-end assembly prior to variant calling using a novel positional de Bruijn graph assembler. By combining assembly, split read and read pair evidence using a probabilistic scoring, GRIDSS achieves high sensitivity and specificity on simulated, cell line and patient tumour data, recently winning SV sub-challenge #5 of the ICGC-TCGA DREAM Somatic Mutation Calling Challenge. On human cell line data, GRIDSS halves the false discovery rate compared to other recent methods. GRIDSS identifies non-template sequence insertions, micro-homologies and large imperfect homologies, and supports multi-sample analysis. GRIDSS is freely available at https://github.com/PapenfussLab/gridss .