Purpose Lung cancer is the leading cause of cancer-related death worldwide. Non–small-cell lung cancer (NSCLC) lacks validated biomarkers to predict treatment response. This study investigated whether circulating tumor cells (CTCs) are detectable in patients with NSCLC and what their ability might be to provide prognostic information and/or early indication of patient response to conventional therapy. Patients and Methods In this single-center prospective study, blood samples for CTC analysis were obtained from 101 patients with previously untreated, stage III or IV NSCLC both before and after administration of one cycle of standard chemotherapy. CTCs were measured using a semiautomated, epithelial cell adhesion molecule–based immunomagnetic technique. Results The number of CTCs in 7.5 mL of blood was higher in patients with stage IV NSCLC (n = 60; range, 0 to 146) compared with patients with stage IIIB (n = 27; range, 0 to 3) or IIIA disease (n = 14; no CTCs detected). In univariate analysis, progression-free survival was 6.8 v 2.4 months with P < .001, and overall survival (OS) was 8.1 v 4.3 months with P < .001 for patients with fewer than five CTCs compared with five or more CTCs before chemotherapy, respectively. In multivariate analysis, CTC number was the strongest predictor of OS (hazard ratio [HR], 7.92; 95% CI, 2.85 to 22.01; P < .001), and the point estimate of the HR was increased with incorporation of a second CTC sample that was taken after one cycle of chemotherapy (HR, 15.65; 95% CI, 3.63 to 67.53; P < .001). Conclusion CTCs are detectable in patients with stage IV NSCLC and are a novel prognostic factor for this disease. Further validation is warranted before routine clinical application.

Purpose Circulating tumor cells (CTCs) may have utility as surrogate biomarkers and “virtual” biopsies. We report the clinical significance and molecular characteristics of CTCs and CTC clusters, termed circulating tumor microemboli (CTM), detected in patients with small-cell lung cancer (SCLC) undergoing standard treatment. Patients and Methods Serial blood samples from 97 patients receiving chemotherapy were analyzed using EpCam-based immunomagnetic detection and a filtration-based technique. Proliferation status (Ki67) and apoptotic morphology were examined. Associations of CTC and CTM number with clinical factors and prognosis were determined. Results CTCs were present in 85% of patients (77 of 97 patients) and were abundant (mean ± standard deviation = 1,589 ± 5,565). CTM and apoptotic CTCs were correlated with total CTC number and were detected in 32% and 57% of patients, respectively. Pretreatment CTCs, change in CTC number after one cycle of chemotherapy, CTM, and apoptotic CTCs were independent prognostic factors. Overall survival was 5.4 months for patients with ≥ 50 CTCs/7.5 mL of blood and 11.5 months (P < .0001) for patients with less than 50 CTCs/7.5 mL of blood before chemotherapy (hazard ratio = 2.45; 95% CI, 1.39 to 4.30; P = .002). Subpopulations of apoptotic and of proliferating solitary CTCs were detected, whereas neither were observed within cell clusters (CTM), implicating both protection from anoikis and relative resistance to cytotoxic drugs for cells within CTM. Conclusion Both baseline CTC number and change in CTC number after one cycle of chemotherapy are independent prognostic factors for SCLC. Molecular comparison of CTCs to cells in CTM may provide novel insights into SCLC biology.

A comparison of RNA-seq and microarray data from samples treated with diverse drugs highlights a dependency of cross-platform concordance on treatment effect. The concordance of RNA-sequencing (RNA-seq) with microarrays for genome-wide analysis of differential gene expression has not been rigorously assessed using a range of chemical treatment conditions. Here we use a comprehensive study design to generate Illumina RNA-seq and Affymetrix microarray data from the same liver samples of rats exposed in triplicate to varying degrees of perturbation by 27 chemicals representing multiple modes of action (MOAs). The cross-platform concordance in terms of differentially expressed genes (DEGs) or enriched pathways is linearly correlated with treatment effect size (R2≈0.8). Furthermore, the concordance is also affected by transcript abundance and biological complexity of the MOA. RNA-seq outperforms microarray (93% versus 75%) in DEG verification as assessed by quantitative PCR, with the gain mainly due to its improved accuracy for low-abundance transcripts. Nonetheless, classifiers to predict MOAs perform similarly when developed using data from either platform. Therefore, the endpoint studied and its biological complexity, transcript abundance and the genomic application are important factors in transcriptomic research and for clinical and regulatory decision making.

Introduction:Epithelial circulating tumor cells (CTCs) are detectable in patients with non-small cell lung cancer (NSCLC). However, epithelial to mesenchymal transition, a widely reported prerequisite for metastasis, may lead to an underestimation of CTC number. We compared directly an epithelial marker-dependent (CellSearch) and a marker-independent (isolation by size of epithelial tumor cells [ISET]) technology platform for the ability to identify CTCs. Molecular characteristics of CTCs were also explored.Methods:Paired peripheral blood samples were collected from 40 chemonäive, stages IIIA to IV NSCLC patients. CTCs were enumerated by Epithelial Cell Adhesion Molecule-based immunomagnetic capture (CellSearch, Veridex) and by filtration (ISET, RareCell Diagnostics). CTCs isolated by filtration were assessed by immunohistochemistry for epithelial marker expression (cytokeratins, Epithelial Cell Adhesion Molecule, epidermal growth factor receptor) and for proliferation status (Ki67).Results:CTCs were detected using ISET in 32 of 40 (80%) patients compared with 9 of 40 (23%) patients using CellSearch. A subpopulation of CTCs isolated by ISET did not express epithelial markers. Circulating tumor microemboli (CTM, clusters of ≥3 CTCs) were observed in 43% patients using ISET but were undetectable by CellSearch. Up to 62% of single CTCs were positive for the proliferation marker Ki67, whereas cells within CTM were nonproliferative.Conclusions:Both technology platforms detected NSCLC CTCs. ISET detected higher numbers of CTCs including epithelial marker negative tumor cells. ISET also isolated CTM and permitted molecular characterization. Combined with our previous CellSearch data confirming CTC number as an independent prognostic biomarker for NSCLC, we propose that this complementary dual technology approach to CTC analysis allows more complete exploration of CTCs in patients with NSCLC.

The rat has been used extensively as a model for evaluating chemical toxicities and for understanding drug mechanisms. However, its transcriptome across multiple organs, or developmental stages, has not yet been reported. Here we show, as part of the SEQC consortium efforts, a comprehensive rat transcriptomic BodyMap created by performing RNA-Seq on 320 samples from 11 organs of both sexes of juvenile, adolescent, adult and aged Fischer 344 rats. We catalogue the expression profiles of 40,064 genes, 65,167 transcripts, 31,909 alternatively spliced transcript variants and 2,367 non-coding genes/non-coding RNAs (ncRNAs) annotated in AceView. We find that organ-enriched, differentially expressed genes reflect the known organ-specific biological activities. A large number of transcripts show organ-specific, age-dependent or sex-specific differential expression patterns. We create a web-based, open-access rat BodyMap database of expression profiles with crosslinks to other widely used databases, anticipating that it will serve as a primary resource for biomedical research using the rat model.

Gene expression profiling is being widely applied in cancer research to identify biomarkers for clinical endpoint prediction. Since RNA-seq provides a powerful tool for transcriptome-based applications beyond the limitations of microarrays, we sought to systematically evaluate the performance of RNA-seq-based and microarray-based classifiers in this MAQC-III/SEQC study for clinical endpoint prediction using neuroblastoma as a model.We generate gene expression profiles from 498 primary neuroblastomas using both RNA-seq and 44 k microarrays. Characterization of the neuroblastoma transcriptome by RNA-seq reveals that more than 48,000 genes and 200,000 transcripts are being expressed in this malignancy. We also find that RNA-seq provides much more detailed information on specific transcript expression patterns in clinico-genetic neuroblastoma subgroups than microarrays. To systematically compare the power of RNA-seq and microarray-based models in predicting clinical endpoints, we divide the cohort randomly into training and validation sets and develop 360 predictive models on six clinical endpoints of varying predictability. Evaluation of factors potentially affecting model performances reveals that prediction accuracies are most strongly influenced by the nature of the clinical endpoint, whereas technological platforms (RNA-seq vs. microarrays), RNA-seq data analysis pipelines, and feature levels (gene vs. transcript vs. exon-junction level) do not significantly affect performances of the models.We demonstrate that RNA-seq outperforms microarrays in determining the transcriptomic characteristics of cancer, while RNA-seq and microarray-based models perform similarly in clinical endpoint prediction. Our findings may be valuable to guide future studies on the development of gene expression-based predictive models and their implementation in clinical practice.

The discovery of novel drug targets is a significant challenge in drug development. Although the human genome comprises approximately 30,000 genes, proteins encoded by fewer than 400 are used as drug targets in the treatment of diseases. Therefore, novel drug targets are extremely valuable as the source for first in class drugs. On the other hand, many of the currently known drug targets are functionally pleiotropic and involved in multiple pathologies. Several of them are exploited for treating multiple diseases, which highlights the need for methods to reliably reposition drug targets to new indications. Network-based methods have been successfully applied to prioritize novel disease-associated genes. In recent years, several such algorithms have been developed, some focusing on local network properties only, and others taking the complete network topology into account. Common to all approaches is the understanding that novel disease-associated candidates are in close overall proximity to known disease genes. However, the relevance of these methods to the prediction of novel drug targets has not yet been assessed. Here, we present a network-based approach for the prediction of drug targets for a given disease. The method allows both repositioning drug targets known for other diseases to the given disease and the prediction of unexploited drug targets which are not used for treatment of any disease. Our approach takes as input a disease gene expression signature and a high-quality interaction network and outputs a prioritized list of drug targets. We demonstrate the high performance of our method and highlight the usefulness of the predictions in three case studies. We present novel drug targets for scleroderma and different types of cancer with their underlying biological processes. Furthermore, we demonstrate the ability of our method to identify non-suspected repositioning candidates using diabetes type 1 as an example.

The PTSD Biomarker Database (PTSDDB) is a database that provides a landscape view of physiological markers being studied as putative biomarkers in the current post-traumatic stress disorder (PTSD) literature to enable researchers to quickly explore and compare findings. The PTSDDB currently contains over 900 biomarkers and their relevant information from 109 original articles published from 1997 to 2017. Further, the curated content stored in this database is complemented by a web application consisting of multiple interactive visualizations that enable the investigation of biomarker knowledge in PTSD (e.g., clinical study metadata, biomarker findings, experimental methods, etc.) by compiling results from biomarker studies to visualize the level of evidence for single biomarkers and across functional categories. This resource is the first attempt, to the best of our knowledge, to capture and organize biomarker and metadata in the area of PTSD for storage in a comprehensive database that may, in turn, facilitate future analysis and research in the field.

Understanding the regulatory landscape of human cells requires the integration of genomic and epigenomic maps, capturing combinatorial levels of cell type-specific and invariant activity states. Here, we segmented whole-genome bisulfite sequencing-derived methylomes into consecutive blocks of co-methylation (COMETs) to obtain spatial variation patterns of DNA methylation (DNAm oscillations) integrated with histone modifications and promoter-enhancer interactions derived from promoter capture Hi-C (PCHi-C) sequencing of the same purified blood cells. Mapping DNAm oscillations onto regulatory genome annotation revealed that enhancers are enriched for DNAm hyper-oscillations (>30-fold), where multiple machine learning models support DNAm as predictive of enhancer location. Based on this analysis, we report overall predictive power of 99% for DNAm oscillations, 77.3% for DNaseI, 41% for CGIs, 20% for UMRs and 0% for LMRs, demonstrating the power of DNAm oscillations over other methods for enhancer prediction. Methylomes of activated and non-activated CD4+ T cells indicate that DNAm oscillations exist in both states irrespective of activation; hence they can be used to determine the location of latent enhancers. Our approach advances the identification of tissue-specific regulatory elements and is a first demonstration of defining enhancer classes based on DNA methylation.