Abstract Purpose: Gene expression–based molecular subtypes of high-grade serous tubo-ovarian cancer (HGSOC), demonstrated across multiple studies, may provide improved stratification for molecularly targeted trials. However, evaluation of clinical utility has been hindered by nonstandardized methods, which are not applicable in a clinical setting. We sought to generate a clinical grade minimal gene set assay for classification of individual tumor specimens into HGSOC subtypes and confirm previously reported subtype-associated features. Experimental Design: Adopting two independent approaches, we derived and internally validated algorithms for subtype prediction using published gene expression data from 1,650 tumors. We applied resulting models to NanoString data on 3,829 HGSOCs from the Ovarian Tumor Tissue Analysis consortium. We further developed, confirmed, and validated a reduced, minimal gene set predictor, with methods suitable for a single-patient setting. Results: Gene expression data were used to derive the predictor of high-grade serous ovarian carcinoma molecular subtype (PrOTYPE) assay. We established a de facto standard as a consensus of two parallel approaches. PrOTYPE subtypes are significantly associated with age, stage, residual disease, tumor-infiltrating lymphocytes, and outcome. The locked-down clinical grade PrOTYPE test includes a model with 55 genes that predicted gene expression subtype with >95% accuracy that was maintained in all analytic and biological validations. Conclusions: We validated the PrOTYPE assay following the Institute of Medicine guidelines for the development of omics-based tests. This fully defined and locked-down clinical grade assay will enable trial design with molecular subtype stratification and allow for objective assessment of the predictive value of HGSOC molecular subtypes in precision medicine applications. See related commentary by McMullen et al., p. 5271

Familial, genome-wide association (GWAS), and sequencing studies and genetic correlation analyses have progressively unraveled the shared or pleiotropic germline genetics of breast and ovarian cancer. In this study, we aimed to leverage this shared germline genetics to improve the power of transcriptome-wide association studies (TWAS) to identify candidate breast cancer and ovarian cancer susceptibility genes. We built gene expression prediction models using the PrediXcan method in 681 breast and 295 ovarian tumors from The Cancer Genome Atlas and 211 breast and 99 ovarian normal tissue samples from the Genotype-Tissue Expression project and integrated these with GWAS meta-analysis data from the Breast Cancer Association Consortium (122,977 cases/105,974 controls) and the Ovarian Cancer Association Consortia (22,406 cases/40,941 controls). The integration was achieved through novel application of a pleiotropy-guided conditional/conjunction false discovery rate approach for the first time in the setting of a TWAS. This identified 14 new candidate breast cancer susceptibility genes spanning 11 genomic regions and 8 new candidate ovarian cancer susceptibility genes spanning 5 genomic regions at conjunction FDR < 0.05 that were > 1 Mb away from known breast and/or ovarian cancer susceptibility loci. We also identified 38 candidate breast cancer susceptibility genes and 17 candidate ovarian cancer susceptibility genes at conjunction FDR < 0.05 at known breast and/or ovarian susceptibility loci. Overlaying candidate causal risk variants identified by GWAS fine mapping onto expression prediction models for genes at known loci suggested that the association for 55% of these genes was driven by the underlying GWAS signal. Significance: The 22 new genes identified by our cross-cancer analysis represent promising candidates that further elucidate the role of the transcriptome in mediating germline breast and ovarian cancer risk.### Competing Interest StatementThe authors have declared no competing interest.

ABSTRACT We report a meta-analysis of breast, prostate, ovarian, and endometrial cancer genome-wide association data (effective sample size: 237,483 cases/317,006 controls). This identified 465 independent lead variants ( P <5×10 −8 ) across 192 genomic regions. Four lead variants were >1Mb from previously identified risk loci for the four cancers and an additional 23 lead variant-cancer associations were novel for one of the cancers. Bayesian models supported pleiotropic effects involving at least two cancers at 222/465 lead variants in 118/192 regions. Gene-level association analysis identified 13 shared susceptibility genes ( P <2.6×10 −6 ) in 13 regions not previously implicated in any of the four cancers and not uncovered by our variant-level meta-analysis. Several lead variants had opposite effects across cancers, including a cluster of such variants in the TP53 pathway. Fifty-four lead variants were associated with blood cell traits and suggested genetic overlaps with clonal hematopoiesis. Our study highlights the remarkable pervasiveness of pleiotropy across hormone-related cancers, further illuminating their shared genetic and mechanistic origins at variant- and gene-level resolution.