Abstract Cancers can vary greatly in their transcriptomes. In contrast to alterations in specific genes or pathways, differences in tumor cell total mRNA content have not been comprehensively assessed. Technical and analytical challenges have impeded examination of total mRNA expression at scale across cancers. To address this, we developed a model for quantifying tumor-specific total mRNA expression (TmS) from bulk sequencing data, which performs transcriptomic deconvolution while adjusting for mixed genomes. We used single-cell RNA sequencing data to demonstrate total mRNA expression as a feature of tumor phenotype. We estimated and validated TmS in 5,015 patients across 15 cancer types identifying significant inter-individual variability. At a pan-cancer level, high TmS is associated with increased risk of disease progression and death. Cancer type-specific patterns of genetic alterations, intra-tumor genetic heterogeneity, as well as pan-cancer trends in metabolic dysregulation and hypoxia contribute to TmS. Taken together, our results suggest that measuring cell-type specific total mRNA expression offers a broader perspective of tracking cancer transcriptomes, which has important biological and clinical implications.

Li-Fraumeni syndrome (LFS) is a rare hereditary cancer syndrome associated with an autosomal dominant mutation inheritance in the TP53 tumor suppressor gene and a wide spectrum of cancer diagnoses. An accurate estimation of the penetrance of different cancer types in LFS is crucial to improve the clinical characterization and management of high-risk individuals of LFS. Our competing risk-based statistical model incorporates the pedigree structure efficiently into the penetrance estimation and corrects for the ascertainment bias. A set of TP53 penetrance for three cancer types (breast, BR/sarcoma, SA/others, OT) involved in LFS is then estimated from 186 pediatric-sarcoma families collected at MD Anderson Cancer Center. The penetrance was then validated on a mixed cohort of clinically ascertained families with cancer (total number of families=668). The age-dependent onset probability distributions of specific cancer types are different. For breast cancer, the TP53 penetrance goes up at an earlier age than the reported BRCA1/2 penetrance. We validated the prediction performance of the penetrance estimates via two independent cohorts combined (BR=85, SA=540, OT=158). We obtained areas under the ROC curves (AUCs) of 0.92 (BR), 0.75 (SA), and 0.81 (OT). Our R package, LFSPRO, provides risk estimates for the diagnosis of breast cancer, sarcoma, other cancers or death before cancer diagnosis in future.

The deconvolution of transcriptomic data from heterogeneous tissues in cancer studies remains challenging. Available software faces difficulties for accurately estimating both component- specific proportions and expression profiles for individual samples. To address these challenges, we present a new R-implementation pipeline for the more accurate and efficient transcriptome deconvolution of high dimensional data from mixtures of more than two components. The pipeline utilizes the computationally efficient DeMixT R-package with OpenMP and additional cancer-specific biological information to perform three-component deconvolution without requiring data from the immune profiles. It enables a wide application of DeMixT to gene expression datasets available from cancer consortium such as the Cancer Genome Atlas (TCGA) projects, where, other than the mixed tumor samples, a handful of normal samples are profiled in multiple cancer types. We have applied this pipeline to two TCGA datasets in colorectal adenocarcinoma (COAD) and prostate adenocarcinoma (PRAD). In COAD, we found varying distributions of immune proportions across the Consensus Molecular Subtypes, from the highest to the lowest being CMS1, CMS3, CMS4 and CMS2. In PRAD, we found the immune proportions are associated with progression-free survival (p<0.01) and negatively correlated with Gleason scores (p<0.001). Our DeMixT-centered analysis protocol opens up new opportunities to investigate the tumor-stroma-immune microenvironment, by providing both proportions and component-specific expressions, and thus better define the underlying biology of cancer progression. Availability and implementation: An R package, scripts and data are available: https://github.com/wwylab/DeMixTallmaterials.

Li-Fraumeni syndrome (LFS) is a rare autosomal dominant disorder associated with TP53 germline mutations and an increased lifetime risk of multiple primary cancers (MPC). Penetrance estimation of time to first and second primary cancer within LFS remains challenging due to limited data availability and the difficulty of accounting for the characteristic effects of a primary cancer on the penetrance of a second primary cancer. Using a recurrent events survival modeling approach, we estimated penetrance for both first and second primary cancer diagnosis from a pediatric sarcoma cohort (number families=189; Single primary cancer, or SPC=771; MPC=87). We then validated the risk prediction performance using an independent clinical cohort of TP53 tested individuals from MD Anderson (SPC=102; MPC=58). Our penetrance estimates are dependent on TP53 genotype, sex, and, importantly, age of diagnosis (AoD) for the first PC. We observed the later the AoD is, the shorter the gap time is for this person to be diagnosed with a second PC. We achieved an Area under the ROC curve (AUC) of 0.77 for predicting individual outcomes of MPC vs. SPC. In summary, we have provided the first set of penetrance estimates for SPC and MPC for TP53 mutation carriers, and demonstrated its accuracy for cancer risk assessment. Our open-source R package, LFSPRO, provides future risk estimates for SPC and MPC among TP53 germline mutation carriers.