African trypanosomes cause human sleeping sickness and livestock trypanosomiasis in sub-Saharan Africa. We present the sequence and analysis of the 11 megabase-sized chromosomes of Trypanosoma brucei . The 26-megabase genome contains 9068 predicted genes, including ∼900 pseudogenes and ∼1700 T. brucei –specific genes. Large subtelomeric arrays contain an archive of 806 variant surface glycoprotein (VSG) genes used by the parasite to evade the mammalian immune system. Most VSG genes are pseudogenes, which may be used to generate expressed mosaic genes by ectopic recombination. Comparisons of the cytoskeleton and endocytic trafficking systems with those of humans and other eukaryotic organisms reveal major differences. A comparison of metabolic pathways encoded by the genomes of T. brucei, T. cruzi , and Leishmania major reveals the least overall metabolic capability in T. brucei and the greatest in L. major . Horizontal transfer of genes of bacterial origin has contributed to some of the metabolic differences in these parasites, and a number of novel potential drug targets have been identified.

Centromeres are the last frontiers of complex eukaryotic genomes, consisting of highly repetitive sequences that resist mapping, cloning and sequencing. The centromere of rice Chromosome 8 (Cen8) has an unusually low abundance of highly repetitive satellite DNA, which allowed us to determine its sequence. A region of ∼750 kb in Cen8 binds rice CENH3, the centromere-specific H3 histone. CENH3 binding is contained within a larger region that has abundant dimethylation of histone H3 at Lys9 (H3-Lys9), consistent with Cen8 being embedded in heterochromatin. Fourteen predicted and at least four active genes are interspersed in Cen8, along with CENH3 binding sites. The retrotransposons located in and outside of the CENH3 binding domain have similar ages and structural dynamics. These results suggest that Cen8 may represent an intermediate stage in the evolution of centromeres from genic regions, as in human neocentromeres, to fully mature centromeres that accumulate megabases of homogeneous satellite arrays.

Stig Bojesen, Georgia Chenevix-Trench, Alison Dunning and colleagues report common variants at the TERT-CLPTM1L locus associated with mean telomere length measured in whole blood. They also identify associations at this locus to breast or ovarian cancer susceptibility and report functional studies in breast and ovarian cancer tissue and cell lines. TERT-locus SNPs and leukocyte telomere measures are reportedly associated with risks of multiple cancers. Using the Illumina custom genotyping array iCOGs, we analyzed ∼480 SNPs at the TERT locus in breast (n = 103,991), ovarian (n = 39,774) and BRCA1 mutation carrier (n = 11,705) cancer cases and controls. Leukocyte telomere measurements were also available for 53,724 participants. Most associations cluster into three independent peaks. The minor allele at the peak 1 SNP rs2736108 associates with longer telomeres (P = 5.8 × 10−7), lower risks for estrogen receptor (ER)-negative (P = 1.0 × 10−8) and BRCA1 mutation carrier (P = 1.1 × 10−5) breast cancers and altered promoter assay signal. The minor allele at the peak 2 SNP rs7705526 associates with longer telomeres (P = 2.3 × 10−14), higher risk of low-malignant-potential ovarian cancer (P = 1.3 × 10−15) and greater promoter activity. The minor alleles at the peak 3 SNPs rs10069690 and rs2242652 increase ER-negative (P = 1.2 × 10−12) and BRCA1 mutation carrier (P = 1.6 × 10−14) breast and invasive ovarian (P = 1.3 × 10−11) cancer risks but not via altered telomere length. The cancer risk alleles of rs2242652 and rs10069690, respectively, increase silencing and generate a truncated TERT splice variant.

Castor beans are best known as a source of industrial lubricants and the toxic bioterror threat, ricin, and they have potential to provide biofuel. Chan et al. present the draft sequence of the Ricinus communis genome, the first for a member of the Euphorbiaceae. Castor bean (Ricinus communis) is an oilseed crop that belongs to the spurge (Euphorbiaceae) family, which comprises ∼6,300 species that include cassava (Manihot esculenta), rubber tree (Hevea brasiliensis) and physic nut (Jatropha curcas). It is primarily of economic interest as a source of castor oil, used for the production of high-quality lubricants because of its high proportion of the unusual fatty acid ricinoleic acid. However, castor bean genomics is also relevant to biosecurity as the seeds contain high levels of ricin, a highly toxic, ribosome-inactivating protein. Here we report the draft genome sequence of castor bean (4.6-fold coverage), the first for a member of the Euphorbiaceae. Whereas most of the key genes involved in oil synthesis and turnover are single copy, the number of members of the ricin gene family is larger than previously thought. Comparative genomics analysis suggests the presence of an ancient hexaploidization event that is conserved across the dicotyledonous lineage.

// Juliet D. French 1,* , Sharon E. Johnatty 1,* , Yi Lu 1,* , Jonathan Beesley 1 , Bo Gao 2 , Murugan Kalimutho 1 , Michelle J. Henderson 3 , Amanda J. Russell 3 , Siddhartha Kar 4 , Xiaoqing Chen 1 , Kristine M. Hillman 1 , Susanne Kaufmann 1 , Haran Sivakumaran 1 , Martin O'Reilly 5 , Chen Wang 6 , Darren J. Korbie 7 , Australian Ovarian Cancer Study Group 1,2,8 , Australian Cancer Study 1 , Diether Lambrechts 9,10 , Evelyn Despierre 10 , Els Van Nieuwenhuysen 10 , Sandrina Lambrechts 10 , Ignace Vergote 10 , Beth Karlan 11 , Jenny Lester 11 , Sandra Orsulic 11 , Christine Walsh 11 , Peter A. Fasching 12,13 , Matthias W. Beckmann 12 , Arif B. Ekici 42 , Alexander Hein 12 , Keitaro Matsuo 14 , Satoyo Hosono 14 , Jacobus Pisterer 15 , Peter Hillemanns 16 , Toru Nakanishi 17 , Yasushi Yatabe 18 , Marc T. Goodman 19 , Galina Lurie 20 , Rayna K. Matsuno 20 , Pamela J. Thompson 19 , Tanja Pejovic 21 , Yukie Bean 21 , Florian Heitz 22,23 , Philipp Harter 22,23 , Andreas du Bois 22,23 , Ira Schwaab 24 , Estrid Hogdall 25,26 , Susanne K. Kjaer 25,27 , Allan Jensen 25 , Claus Hogdall 27 , Lene Lundvall 27 , Svend Aage Engelholm 28 , Bob Brown 29 , James M. Flanagan 29 , Michelle D. Metcalf 29 , Nadeem Siddiqui 30 , Thomas Sellers 31 , Brooke Fridley 32 , Julie Cunningham 33 , Joellen M. Schildkraut 34,35 , Ed Iversen 36 , Rachel Palmieri Weber 34 , Donal Brennan 37 , Andrew Berchuck 38 , Paul Pharoah 4,39 , Paul Harnett 40 , Murray D. Norris 3 , Michelle Haber 3 , Ellen L. Goode 41 , Jason S. Lee 1 , Kum Kum Khanna 1 , Kerstin B. Meyer 5 , Georgia Chenevix-Trench 1,*,** , Anna deFazio 2,*,** , Stacey L. Edwards 1,*,** , Stuart MacGregor 1,*,** and on behalf of the Ovarian Cancer Association Consortium 1 QIMR Berghofer Medical Research Institute, Brisbane, Australia 2 Department of Gynaecological Oncology and Centre for Cancer Research, The Westmead Institute for Medical Research, The University of Sydney, Westmead Hospital, Sydney, Australia 3 Children's Cancer Institute Australia, Randwick, Australia 4 Centre for Cancer Genetic Epidemiology, Department of Public Health and Primary Care, University of Cambridge, Cambridge, UK 5 Cancer Research UK Cambridge Research Institute, Li Ka Shing Centre, Cambridge, UK 6 Department of Health Sciences Research, Division of Biomedical Statistics and Informatics, Mayo Clinic, Rochester, MN, USA 7 Australian Institute for Bioengineering and Nanotechnology, University of Queensland, Brisbane, Australia 8 Peter MacCallum Cancer Centre, Melbourne, Australia 9 Vesalius Research Center, VIB, Leuven, Belgium and Laboratory for Translational Genetics, Department of Oncology, University of Leuven, Leuven, Belgium 10 Gynecologic Oncology, Leuven Cancer Institute, University Hospitals Leuven, Leuven, Belgium 11 Women's Cancer Program at the Samuel Oschin Comprehensive Cancer Institute, Cedars-Sinai Medical Center, Los Angeles, CA, USA 12 Department of Gynecology and Obstetrics, University Hospital Erlangen, Friedrich-Alexander University Erlangen- Nuremberg, Comprehensive Cancer Center Erlangen-Nuremberg, Erlangen, Germany 13 Department of Medicine, Division of Hematology and Oncology, David Geffen School of Medicine, University of California, Los Angeles, CA, USA 14 Division of Epidemiology and Prevention, Aichi Cancer Center Research Institute, Nagoya, Aichi, Japan 15 Zentrum für Gynäkologische Onkologie, Kiel, Germany 16 Departments of Obstetrics and Gynaecology, Hannover Medical School, Hannover, Germany 17 Department of Gynecology, Aichi Cancer Center Central Hospital, Nagoya, Aichi, Japan 18 Department of Pathology and Molecular Diagnostics, Aichi Cancer Center Central Hospital, Nagoya, Aichi, Japan 19 Cancer Prevention and Control Program, Samuel Oschin Comprehensive Cancer Institute, Cedars Sinai Medical Center, Los Angeles, CA, USA 20 Cancer Epidemiology Program, University of Hawaii Cancer Center, Hawaii, USA 21 Department of Obstetrics and Gynecology, Oregon Health and Science University and Knight Cancer Institute, Oregon Health and Science University, Portland, OR, USA 22 Department of Gynecology and Gynecologic Oncology, Dr. Horst Schmidt Kliniken Wiesbaden, Wiesbaden, Germany 23 Department of Gynecology and Gynecologic Oncology, Kliniken Essen-Mitte, Essen, Germany 24 Institut für Humangenetik Wiesbaden, Germany 25 Danish Cancer Society Research Center, Unit of Virus, Lifestyle and Genes, Copenhagen, Denmark 26 Molecular Unit, Department of Pathology, Herlev Hospital, University of Copenhagen, Copenhagen, Denmark 27 Department of Gynecology, Rigshospitalet, University of Copenhagen, Denmark 28 Department of Oncology, Rigshospitalet, University of Copenhagen, Denmark 29 Department of Surgery and Cancer, Imperial College London, London, UK 30 North Glasgow University Hospitals NHS Trust, Stobhill Hospital, Glasgow, UK 31 Department of Cancer Epidemiology, Moffitt Cancer Center, Tampa, FL, USA 32 Department of Biostatistics, University of Kansas Medical Center, Kansas City, KS, USA 33 Department of Laboratory Medicine and Pathology, Mayo Clinic, Rochester, MN, USA 34 Department of Community and Family Medicine, Duke University Medical Center, Durham, NC, USA 35 Cancer Control and Population Sciences, Duke Cancer Institute, Durham, NC, USA 36 Department of Statistical Science, Duke University, Durham, NC, USA 37 Queensland Centre for Gynaecological Cancer, Brisbane, Australia 38 Department of Obstetrics and Gynecology, Duke University Medical Center, Durham, NC, USA 39 Centre for Cancer Genetic Epidemiology, Department of Oncology, University of Cambridge, Cambridge, UK 40 Crown Princess Mary Cancer Centre and Centre for Cancer Research, The Westmead Institute for Medical Research, The University of Sydney, Westmead Hospital, Sydney, Australia 41 Department of Health Science Research, Division of Epidemiology, Mayo Clinic, Rochester, MN, USA 42 Institute of Human Genetics, Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen, Germany * These authors contributed equally to the study and are listed alphabetically ** These authors co-directed the study and are listed alphabetically Correspondence to: Georgia Chenevix-Trench, email: // Anna deFazio, email: // Stacey L. Edwards, email: // Stuart MacGregor, email: // Keywords : epithelial ovarian cancer, progression free survival, genome-wide association study, PSIP1, chromosome conformation capture Received : January 14, 2016 Accepted : January 21, 2016 Published : January 31, 2016 Abstract Women with epithelial ovarian cancer (EOC) are usually treated with platinum/taxane therapy after cytoreductive surgery but there is considerable inter-individual variation in response. To identify germline single-nucleotide polymorphisms (SNPs) that contribute to variations in individual responses to chemotherapy, we carried out a multi-phase genome-wide association study (GWAS) in 1,244 women diagnosed with serous EOC who were treated with the same first-line chemotherapy, carboplatin and paclitaxel. We identified two SNPs (rs7874043 and rs72700653) in TTC39B (best P=7x10 -5 , HR=1.90, for rs7874043) associated with progression-free survival (PFS). Functional analyses show that both SNPs lie in a putative regulatory element (PRE) that physically interacts with the promoters of PSIP1 , CCDC171 and an alternative promoter of TTC39B. The C allele of rs7874043 is associated with poor PFS and showed increased binding of the Sp1 transcription factor, which is critical for chromatin interactions with PSIP1 . Silencing of PSIP1 significantly impaired DNA damage-induced Rad51 nuclear foci and reduced cell viability in ovarian cancer lines. PSIP1 (PC4 and SFRS1 Interacting Protein 1) is known to protect cells from stress-induced apoptosis, and high expression is associated with poor PFS in EOC patients. We therefore suggest that the minor allele of rs7874043 confers poor PFS by increasing PSIP1 expression.

Summary

 Co-observation of a gene variant with a pathogenic variant in another gene that explains the disease presentation has been designated as evidence against pathogenicity for commonly used variant classification guidelines. Multiple variant curation expert panels have specified, from consensus opinion, that this evidence type is not applicable for the classification of breast cancer predisposition gene variants. Statistical analysis of sequence data for 55,815 individuals diagnosed with breast cancer from the BRIDGES sequencing project was undertaken to formally assess the utility of co-observation data for germline variant classification. Our analysis included expected loss-of-function variants in 11 breast cancer predisposition genes and pathogenic missense variants in BRCA1, BRCA2, and TP53. We assessed whether co-observation of pathogenic variants in two different genes occurred more or less often than expected under the assumption of independence. Co-observation of pathogenic variants in each of BRCA1, BRCA2, and PALB2 with the remaining genes was less frequent than expected. This evidence for depletion remained after adjustment for age at diagnosis, study design (familial versus population-based), and country. Co-observation of a variant of uncertain significance in BRCA1, BRCA2, or PALB2 with a pathogenic variant in another breast cancer gene equated to supporting evidence against pathogenicity following criterion strength assignment based on the likelihood ratio and showed utility in reclassification of missense BRCA1 and BRCA2 variants identified in BRIDGES. Our approach has applicability for assessing the value of co-observation as a predictor of variant pathogenicity in other clinical contexts, including for gene-specific guidelines developed by ClinGen Variant Curation Expert Panels.

Genome-wide association studies have identified 196 high confidence independent signals associated with breast cancer susceptibility. Variants within these signals frequently fall in distal regulatory DNA elements that control gene expression. We designed a Capture Hi-C array to enrich for chromatin interactions between the credible causal variants and target genes in six human mammary epithelial and breast cancer cell lines. We show that interacting regions are enriched for open chromatin, histone marks for active enhancers and transcription factors relevant to breast biology. We exploit this comprehensive resource to identify candidate target genes at 139 independent breast cancer risk signals, and explore the functional mechanism underlying altered risk at the 12q24 risk region. Our results demonstrate the power of combining genetics, computational genomics and molecular studies to rationalize the identification of key variants and candidate target genes at breast cancer GWAS signals.

We aimed to develop deep learning (DL) models to detect protein expression in immunohistochemically (IHC) stained tissue-sections, and to compare their accuracy and performance with manually scored clinically relevant proteins in common cancer types. Five cancer patient cohorts (colon, two prostate, breast, and endometrial) were included. We developed separate DL models for scoring IHC-stained tissue-sections with nuclear, cytoplasmic, and membranous staining patterns. For training, we used images with annotations of cells with positive and negative staining from the colon cohort stained for Ki-67 and PMS2 (nuclear model), the prostate cohort 1 stained for PTEN (cytoplasmic model) and β-catenin (membranous model). The nuclear DL model was validated for MSH6 in the colon, MSH6 and PMS2 in the endometrium, Ki-67 and CyclinB1 in prostate, and oestrogen and progesterone receptors in the breast cancer cohorts. The cytoplasmic DL model was validated for PTEN and Mapre2, and the membranous DL model for CD44 and Flotillin1, all in prostate cohorts. When comparing the results of manual and DL scores in the validation sets, using manual scores as the ground truth, we observed an average correct classification rate of 91.5 % (76.9–98.5 %) for the nuclear model, 85.6 % (73.3–96.6 %) for the cytoplasmic model, and 78.4 % (75.5–84.3 %) for the membranous model. In survival analyses, manual and DL scores showed similar prognostic impact, with similar hazard ratios and p-values for all DL models. Our findings demonstrate that DL models offer a promising alternative to manual IHC scoring, providing efficiency and reproducibility across various data sources and markers.

Background: Abnormal DNA methylation is observed as an early event in breast carcinogenesis. However, how such alterations arise is still poorly understood. microRNAs (miRNAs) regulate gene expression at the post-transcriptional level and have been shown to play key roles in various biological processes. Here, we integrate miRNA expression and DNA methylation at CpGs to study how miRNAs may affect the breast cancer methylome and how DNA methylation may regulate miRNA expression. Results: miRNA expression and DNA methylation data from two breast cancer cohorts were subjected to genome-wide correlation analysis. Clustering of the miRNA expression-DNA methylation association pairs significant in both cohorts identified distinct clusters of miRNAs and CpGs. These clusters recapitulated important biological processes associated with breast cancer pathogenesis. Notably, two major clusters were related to immune or fibroblast infiltration, hence identifying miRNAs associated with cells of the tumor microenvironment, while another large cluster was related to estrogen receptor (ER) signaling. Studying the chromatin landscape surrounding the CpGs associated with the estrogen-signaling cluster, we found that miRNAs from this cluster are likely to be regulated through DNA methylation of enhancers bound by FOXA1, GATA2 and ER-alpha. Further, at the hub of the estrogen-cluster, we identified hsa-miR-29c-5p as negatively correlated with the mRNA and protein expression of the DNA methyltransferase DNMT3A, a key enzyme regulating DNA methylation. We found deregulation of hsa-miR-29c-5p already in pre-invasive breast lesions and postulate that hsa-miR-29c-5p may trigger early event abnormal DNA methylation in ER positive breast cancer. Conclusions: We describe how miRNA expression and DNA methylation interact and associate with distinct breast cancer phenotypes.### Competing Interest StatementThe authors have declared no competing interest.

Fine-mapping of breast cancer GWAS regions has identified 195 high confidence signals containing more than 5,000 credible causal variants (CCVs). The CCVs are predominantly noncoding and enriched in regulatory elements and thus may confer the risk by altering gene expression in cis. We analyzed allelic expression imbalance (AEI) of genes surrounding known breast cancer signals, using normal breast and breast tumor transcriptome data and imputed genotypes. Fourteen genes, including NTN4, were identified whose expression was associated with CCV genotype. We showed that CCVs at this signal were located within an enhancer that physically interacts with the NTN4 promoter. Furthermore, knockdown of NTN4 in breast cells increased cell proliferation in vitro and tumor growth in vivo. Here, we present the most comprehensive AEI analysis of breast cancer CCVs resulting in identification of new candidate risk genes.