Infiltrating stromal and immune cells form the major fraction of normal cells in tumour tissue and not only perturb the tumour signal in molecular studies but also have an important role in cancer biology. Here we describe ‘Estimation of STromal and Immune cells in MAlignant Tumours using Expression data’ (ESTIMATE)—a method that uses gene expression signatures to infer the fraction of stromal and immune cells in tumour samples. ESTIMATE scores correlate with DNA copy number-based tumour purity across samples from 11 different tumour types, profiled on Agilent, Affymetrix platforms or based on RNA sequencing and available through The Cancer Genome Atlas. The prediction accuracy is further corroborated using 3,809 transcriptional profiles available elsewhere in the public domain. The ESTIMATE method allows consideration of tumour-associated normal cells in genomic and transcriptomic studies. An R-library is available on https://sourceforge.net/projects/estimateproject/ . Tumour biopsies contain contaminating normal cells and these can influence the analysis of tumour samples. In this study, Yoshihara et al.develop an algorithm based on gene expression profiles from The Cancer Genome Atlas to estimate the number of contaminating normal cells in tumour samples.

Summary

 We describe the landscape of somatic genomic alterations based on multidimensional and comprehensive characterization of more than 500 glioblastoma tumors (GBMs). We identify several novel mutated genes as well as complex rearrangements of signature receptors, including EGFR and PDGFRA. TERT promoter mutations are shown to correlate with elevated mRNA expression, supporting a role in telomerase reactivation. Correlative analyses confirm that the survival advantage of the proneural subtype is conferred by the G-CIMP phenotype, and MGMT DNA methylation may be a predictive biomarker for treatment response only in classical subtype GBM. Integrative analysis of genomic and proteomic profiles challenges the notion of therapeutic inhibition of a pathway as an alternative to inhibition of the target itself. These data will facilitate the discovery of therapeutic and diagnostic target candidates, the validation of research and clinical observations and the generation of unanticipated hypotheses that can advance our molecular understanding of this lethal cancer.

Transcript fusions as a result of chromosomal rearrangements have been a focus of attention in cancer as they provide attractive therapeutic targets. To identify novel fusion transcripts with the potential to be exploited therapeutically, we analyzed RNA sequencing, DNA copy number and gene mutation data from 4366 primary tumor samples. To avoid false positives, we implemented stringent quality criteria that included filtering of fusions detected in RNAseq data from 364 normal tissue samples. Our analysis identified 7887 high confidence fusion transcripts across 13 tumor types. Our fusion prediction was validated by evidence of a genomic rearrangement for 78 of 79 fusions in 48 glioma samples where whole-genome sequencing data were available. Cancers with higher levels of genomic instability showed a corresponding increase in fusion transcript frequency, whereas tumor samples harboring fusions contained statistically significantly fewer driver gene mutations, suggesting an important role for tumorigenesis. We identified at least one in-frame protein kinase fusion in 324 of 4366 samples (7.4%). Potentially druggable kinase fusions involving ALK, ROS, RET, NTRK and FGFR gene families were detected in bladder carcinoma (3.3%), glioblastoma (4.4%), head and neck cancer (1.0%), low-grade glioma (1.5%), lung adenocarcinoma (1.6%), lung squamous cell carcinoma (2.3%) and thyroid carcinoma (8.7%), suggesting a potential for application of kinase inhibitors across tumor types. In-frame fusion transcripts involving histone methyltransferase or histone demethylase genes were detected in 111 samples (2.5%) and may additionally be considered as therapeutic targets. In summary, we described the landscape of transcript fusions detected across a large number of tumor samples and revealed fusion events with clinical relevance that have not been previously recognized. Our results support the concept of basket clinical trials where patients are matched with experimental therapies based on their genomic profile rather than the tissue where the tumor originated.

Abstract Tailoring the best treatments to cancer patients is an important open challenge. Here, we build a precision oncology data science and software framework for PER sonalized single- C ell E xpression-based P lanning for T reatments In On cology (PERCEPTION). Our approach capitalizes on recently published matched bulk and single-cell transcriptome profiles of large-scale cell-line drug screens to build treatment response models from patients’ single-cell (SC) tumor transcriptomics. First, we show that PERCEPTION successfully predicts the response to monotherapy and combination treatments in screens performed in cancer and patient-tumor-derived primary cells based on SC-expression profiles. Second, it successfully stratifies responders to combination therapy based on the patients’ tumor’s SC-expression in two very recent multiple myeloma and breast cancer clinical trials. Thirdly, it captures the development of clinical resistance to five standard tyrosine kinase inhibitors using tumor SC-expression profiles obtained during treatment in a lung cancer patients’ cohort. Notably, PERCEPTION outperforms state-of-the-art bulk expression-based predictors in all three clinical cohorts. In sum, this study provides a first-of-its-kind conceptual and computational method that is predictive of response to therapy in patients, based on the clonal SC gene expression of their tumors.

Next-generation sequencing requires sufficient DNA to be available. If limited, whole-genome amplification is applied to generate additional amounts of DNA. Such amplification often results in many chimeric DNA fragments, in particular artificial palindromic sequences, which limit the usefulness of long reads from technologies such as PacBio and Oxford Nanopore. Here, we present Pacasus, a tool for correcting such errors in long reads. We demonstrate on two real-world datasets that it markedly improves subsequent read mapping and de novo assembly, yielding results similar to these that would be obtained with non-amplified DNA. With Pacasus long-read technologies become readily available for sequencing targets with very small amounts of DNA, such as single cells or even single chromosomes.

The mammalian male-specific Y chromosome plays a critical role in sex determination and male fertility. However, because of its repetitive and haploid nature, it is frequently absent from genome assemblies and remains enigmatic. The Y chromosomes of great apes represent a particular puzzle: their gene content is more similar between human and gorilla than between human and chimpanzee, even though human and chimpanzee shared a more recent common ancestor. To solve this puzzle, here we constructed a dataset including Ys from all extant great ape genera. We generated assemblies of bonobo and orangutan Ys, from short and long sequencing reads, and aligned them with the publicly available human, chimpanzee and gorilla Y assemblies. Analyzing this dataset, we found that the genus Pan , including chimpanzee and bonobo, experienced accelerated substitution rates. Additionally, Pan also exhibited elevated gene death rates. These observations are consistent with high levels of sperm competition in Pan . Furthermore, we inferred that the great ape common ancestor already possessed multi-copy sequences homologous to most human and chimpanzee palindromes. Nonetheless, each species also acquired distinct ampliconic sequences. We also detected increased chromatin contacts between and within palindromes (from Hi-C data), likely facilitating gene conversion and structural rearrangements. Moreover, our ENCODE data analysis suggested that Y palindromes exist to promote gene conversion preventing degradation of not only genes, as is commonly believed, but also gene regulatory sites. Our results highlight the dynamic mode of Y chromosome evolution, and open avenues for studies of male-specific dispersal in endangered great ape species.

The availability of single-cell transcriptomics data opens up new opportunities for designing combination cancer treatments. Mining such data, we employed combinatorial optimization to explore the landscape of optimal combination therapies in solid tumors (including brain, head and neck, melanoma, lung, breast and colon cancers), assuming that each drug can target one of 1269 genes encoding cell surface receptors and deliver a toxin into the cell. We also identified optimal combinations among a subset of 58 genes for which targeted treatments have been already tested in vitro. We first study a personalized treatment objective, identifying optimal combinations for each patient, aimed at killing most tumor cells while sparing most non-tumor cells. We find that a single-digit number of targets is sufficient for killing at least 80% of the tumor cells while killing at most 10% of the non-tumor cells in each patient. However, with more stringent killing requirements, the number of targets required may rise sharply in some cancer types. We additionally study a fair objective, identifying an optimal treatment basket for a multi-patient cohort while bounding the number of extra treatments given to each patient. Encouragingly, we find that optimally fair combinations usually require at most three extra treatments compared to the personalized combinations. Targets appearing in many optimal solutions include PTPRZ1 (especially for brain cancer), CLDN4, CXADR, EPHB4, NTRK2, EGFR, SLC2A, ERBB3, IL17RD and EDNRB. This multi-disciplinary analysis provides the first systematic characterization of combinatorial targeted treatments for solid tumors and uncovers promising cell-surface targets for future development.