Circulating tumor DNA methylation–based signatures are potential biomarkers for early diagnosis and prognosis of colorectal cancer.

Summary A complete characterization of genetic variation is a fundamental goal of human genome research. Long-read sequencing (LRS) improves the sensitivity for structural variant (SV) discovery and facilitates a better understanding of the SV spectrum in human genomes. Here, we conduct the first LRS-based SV analysis in Chinese population. We perform whole-genome LRS for 405 unrelated Chinese, with 68 phenotypic and clinical measurements. We discover a complex landscape of 132,312 non-redundant SVs, of which 53.3% are novel. The identified SVs are of high-quality validated by the PacBio high-fidelity sequencing and PCR experiments. The total length of SVs represents approximately 13.2% of the human reference genome. We annotate 1,929 loss-of-function SVs affecting the coding sequences of 1,681 genes. We discover new associations of SVs with phenotypes and diseases, such as rare deletions in HBA1 / HBA2/HBB associated with anemia and common deletions in GHR associated with body height. Furthermore, we identify SV candidates related to human immunity that differentiate sub-populations of Chinese. Our study reveals the complex landscape of human SVs in unprecedented detail and provides new insights into their roles contributing to phenotypes, diseases and evolution. The genotypic and phenotypic resource is freely available to the scientific community.

Untargeted metabolomic analysis using mass spectrometry provides comprehensive metabolic profiling, but its medical application faces challenges of complex data processing, high inter-batch variability, and unidentified metabolites. Here, we present DeepMSProfiler, an explainable deep-learning-based method, enabling end-to-end analysis on raw metabolic signals with output of high accuracy and reliability. Using cross-hospital 859 human serum samples from lung adenocarcinoma, benign lung nodules, and healthy individuals, DeepMSProfiler successfully differentiates the metabolomic profiles of different groups (AUC 0.99) and detects early-stage lung adenocarcinoma (accuracy 0.961). Model flow and ablation experiments demonstrate that DeepMSProfiler overcomes inter-hospital variability and effects of unknown metabolites signals. Our ensemble strategy removes background-category phenomena in multi-classification deep-learning models, and the novel interpretability enables direct access to disease-related metabolite-protein networks. Further applying to lipid metabolomic data unveils correlations of important metabolites and proteins. Overall, DeepMSProfiler offers a straightforward and reliable method for disease diagnosis and mechanism discovery, enhancing its broad applicability.