Small non-coding RNAs such as microRNAs are master regulators of gene expression. One of the most promising applications of miRNAs is the use as liquid biopsy. Especially early diagnosis is an effective means to increase patients' overall survival. E.g. in oncology a tumor is detected at best prior to its clinical manifestation. We generated genome-wide miRNA profiles from serum of patients and controls from the population-based Janus Serum Bank (JSB) and analyzed them by bioinformatics and artificial intelligence approaches. JSB contains sera from 318,628 originally healthy persons, more than 96,000 of whom later developed cancer. We selected 210 serum samples of patients with lung, colon or breast cancer at three time points prior to diagnosis, after cancer diagnosis and controls. The controls were matched with regard to age of the blood donor and to the time points of blood drawing, which were 27, 32, or 38 years prior to diagnosis. Using ANOVA we report 70 significantly deregulated markers (adjusted p-value<0.05). The driver for the significance was the diagnostic time point (miR-575, miR-6821-5p, miR-630 had adjusted p-values<10-10). Further, 91 miRNAs were differently expressed in pre-diagnostic samples as compared to controls (nominal p<0.05). Unsupervised competitive learning by self-organized maps indicated larges effects in lung cancer samples while breast cancer samples showed the least pronounced changes. Self-organized maps also highlighted cancer and time point specific miRNA dys-regulation. Intriguingly, a detailed breakdown of the results highlighted that 51% of all miRNAs were highly specific, either for a time-point or a cancer entity. Our results indicate that tumors may be indicated by serum miRNAs decades prior the clinical manifestation.

Non-coding RNAs (ncRNA) are regulators of cell functions and circulating ncRNAs from the majority of RNA classes, such as miRNA, tRNA, piRNAs, lncRNA, snoRNA, snRNA and miscRNAs, are potential non-invasive biomarkers. Understanding how non-disease traits influence ncRNA expression is essential for assessing their biomarker potential. We studied associations of common traits (sex, age, smoking, body mass, physical activity, and technical factors such as sample storage and processing) with serum ncRNAs. We used RNAseq data from 526 donors from the Janus Serum Bank and traits from health examination surveys. We identified associations between all RNA classes and traits. Ageing showed the strongest association with ncRNA expression, both in terms of statistical significance and number of RNAs, regardless of RNA class. Serum processing modifications and storage times significantly altered expression levels of a number of ncRNAs. Interestingly, smoking cessation generally restored RNA expression to non-smoking levels, although for some isomiRs, mRNA fragments and tRNAs smoking-related expression levels persisted. Our results show that common traits influence circulating ncRNA expression. Therefore it is clear that ncRNA biomarker analyses should be adjusted for age and sex. In addition, for specific ncRNAs identified in our study, analyses should also be adjusted for body mass, smoking, physical activity and serum processing and storage.

Non-coding RNA (ncRNA) molecules have fundamental roles in cells and many are also stable in body fluids as extracellular RNAs. In this study, we used RNA sequencing (RNA-seq) to investigate the profile of small non-coding RNA (sncRNA) in human serum. We analyzed 10 billion Illumina reads from 477 serum samples, included in the Norwegian population-based Janus Serum Bank (JSB). We found that the core serum RNA repertoire includes 258 micro RNAs (miRNA), 441 piwi-interacting RNAs (piRNA), 411 transfer RNAs (tRNA), 24 small nucleolar RNAs (snoRNA), 125 small nuclear RNAs (snRNA) and 123 miscellaneous RNAs (misc-RNA). We also investigated biological and technical variation in expression, and the results suggest that many RNA molecules identified in serum contain signs of biological variation. They are therefore unlikely to be random degradation by-products. In addition, the presence of specific fragments of tRNA, snoRNA, Vault RNA and Y_RNA indicates protection from degradation. Our results suggest that many circulating RNAs in serum can be potential biomarkers.

Gallbladder cancer (GBC) is an aggressive disease with limited treatment options but high prevention potential. GBC tumours take 10-20 years to develop, a timeframe that holds potential for early detection. MicroRNAs (miRNAs) play a central role in abnormal cell processes, and circulating miRNAs may constitute valuable biomarkers of early disease. We used microarray data to pre-select differentially expressed miRNAs in formalin-fixed paraffin-embedded (FFPE) gallbladder tissue samples (GBC n = 40, normal n = 8). We then applied small-RNA sequencing to screen for miRNA expression differences in serum samples from three European prospective cohorts (n = 37 GBC case-control pairs), and validated the most promising candidates in three independent cohorts (n = 36 GBC case- control pairs). Statistical analyses included robust linear regression, pathway and meta-analysis, and examination of expression correlation between miRNAs and target genes. MiR-4533 and miR-671-5p were overexpressed in GBC tissue and serum samples, and meta-analysis confirmed the overexpression of miR-4533 in GBC serum samples from the prospective cohorts (p-value = 4.1×10

Introduction Effective strategies for early detection of epithelial ovarian cancer are lacking. We evaluated whether a panel of 14 previously established circulating microRNAs could discriminate between cases diagnosed &lt;2 years after serum collection and those diagnosed 2–7 years after serum collection. miRNA sequencing data from subsequent ovarian cancer cases were obtained as part of the ongoing multi-cancer JanusRNA project, utilizing pre-diagnostic serum samples from the Janus Serum Bank and linked to the Cancer Registry of Norway for cancer outcomes. Methods We included a total of 80 ovarian cancer cases contributing 80 serum samples and compared 40 serum samples from cases with samples collected &lt;2 years prior to diagnosis with 40 serum samples from cases with sample collection ≥2 to 7 years. We employed the extreme gradient boosting (XGBoost) algorithm to train a binary classification model using 70% of the available data, while the model was tested on the remaining 30% of the dataset. Results The performance of the model was evaluated using repeated holdout validation. The previously established set of miRNAs achieved a median area under the receiver operating characteristic curve (AUC) of 0.771 in the test sets. Four out of 14 miRNAs (hsa-miR-200a-3p, hsa-miR-1246, hsa-miR-203a-3p, hsa-miR-23b-3p) exhibited higher expression levels closer to diagnosis, consistent with the previously reported upregulation in cancer cases, with statistical significance observed only for hsa-miR-200a-3p (beta=0.14; p=0.04). Discussion The discrimination potential of the selected models provides evidence of the robustness of the miRNA signature for ovarian cancer.