Acute myeloid leukemia (AML) is a heterogeneous disease with respect to presentation and clinical outcome. The prognostic value of recently identified somatic mutations has not been systematically evaluated in a phase 3 trial of treatment for AML.We performed a mutational analysis of 18 genes in 398 patients younger than 60 years of age who had AML and who were randomly assigned to receive induction therapy with high-dose or standard-dose daunorubicin. We validated our prognostic findings in an independent set of 104 patients.We identified at least one somatic alteration in 97.3% of the patients. We found that internal tandem duplication in FLT3 (FLT3-ITD), partial tandem duplication in MLL (MLL-PTD), and mutations in ASXL1 and PHF6 were associated with reduced overall survival (P=0.001 for FLT3-ITD, P=0.009 for MLL-PTD, P=0.05 for ASXL1, and P=0.006 for PHF6); CEBPA and IDH2 mutations were associated with improved overall survival (P=0.05 for CEBPA and P=0.01 for IDH2). The favorable effect of NPM1 mutations was restricted to patients with co-occurring NPM1 and IDH1 or IDH2 mutations. We identified genetic predictors of outcome that improved risk stratification among patients with AML, independently of age, white-cell count, induction dose, and post-remission therapy, and validated the significance of these predictors in an independent cohort. High-dose daunorubicin, as compared with standard-dose daunorubicin, improved the rate of survival among patients with DNMT3A or NPM1 mutations or MLL translocations (P=0.001) but not among patients with wild-type DNMT3A, NPM1, and MLL (P=0.67).We found that DNMT3A and NPM1 mutations and MLL translocations predicted an improved outcome with high-dose induction chemotherapy in patients with AML. These findings suggest that mutational profiling could potentially be used for risk stratification and to inform prognostic and therapeutic decisions regarding patients with AML. (Funded by the National Cancer Institute and others.).

In young adults with acute myeloid leukemia (AML), intensification of the anthracycline dose during induction therapy has improved the rate of complete remission but not of overall survival. We evaluated the use of cytarabine plus either standard-dose or high-dose daunorubicin as induction therapy, followed by intensive consolidation therapy, in inducing complete remission to improve overall survival.

Purpose The optimal regimen intensity before allogeneic hematopoietic cell transplantation (HCT) is unknown. We hypothesized that lower treatment-related mortality (TRM) with reduced-intensity conditioning (RIC) would result in improved overall survival (OS) compared with myeloablative conditioning (MAC). To test this hypothesis, we performed a phase III randomized trial comparing MAC with RIC in patients with acute myeloid leukemia or myelodysplastic syndromes. Patients and Methods Patients age 18 to 65 years with HCT comorbidity index ≤ 4 and < 5% marrow myeloblasts pre-HCT were randomly assigned to receive MAC (n = 135) or RIC (n = 137) followed by HCT from HLA-matched related or unrelated donors. The primary end point was OS 18 months post–random assignment based on an intent-to-treat analysis. Secondary end points included relapse-free survival (RFS) and TRM. Results Planned enrollment was 356 patients; accrual ceased at 272 because of high relapse incidence with RIC versus MAC (48.3%; 95% CI, 39.6% to 56.4% and 13.5%; 95% CI, 8.3% to 19.8%, respectively; P < .001). At 18 months, OS for patients in the RIC arm was 67.7% (95% CI, 59.1% to 74.9%) versus 77.5% (95% CI, 69.4% to 83.7%) for those in the MAC arm (difference, 9.8%; 95% CI, −0.8% to 20.3%; P = .07). TRM with RIC was 4.4% (95% CI, 1.8% to 8.9%) versus 15.8% (95% CI, 10.2% to 22.5%) with MAC ( P = .002). RFS with RIC was 47.3% (95% CI, 38.7% to 55.4%) versus 67.8% (95% CI, 59.1% to 75%) with MAC ( P < .01). Conclusion OS was higher with MAC, but this was not statistically significant. RIC resulted in lower TRM but higher relapse rates compared with MAC, with a statistically significant advantage in RFS with MAC. These data support the use of MAC as the standard of care for fit patients with acute myeloid leukemia or myelodysplastic syndromes.

PURPOSE Patients with acute myeloid leukemia (AML) in remission remain at risk for relapse even after allogeneic hematopoietic cell transplantation (alloHCT). AML measurable residual disease (MRD) status before alloHCT has been shown to be prognostic. Whether modulation of the intensity of the alloHCT conditioning regimen in patients with AML who test positive for MRD can prevent relapse and improve survival is unknown. METHODS Ultra-deep, error-corrected sequencing for 13 commonly mutated genes in AML was performed on preconditioning blood from patients treated in a phase III clinical trial that randomly assigned adult patients with myeloid malignancy in morphologic complete remission to myeloablative conditioning (MAC) or reduced-intensity conditioning (RIC). RESULTS No mutations were detected in 32% of MAC and 37% of RIC recipients; these groups had similar survival (3-year overall survival [OS], 56% v 63%; P = .96). In patients with a detectable mutation (next-generation sequencing [NGS] positive), relapse (3-year cumulative incidence, 19% v 67%; P < .001) and survival (3-year OS, 61% v 43%; P = .02) was significantly different between the MAC and RIC arms, respectively. In multivariable analysis for NGS-positive patients, adjusting for disease risk and donor group, RIC was significantly associated with increased relapse (hazard ratio [HR], 6.38; 95% CI, 3.37 to 12.10; P < .001), decreased relapse-free survival (HR, 2.94; 95% CI, 1.84 to 4.69; P < .001), and decreased OS (HR, 1.97; 95% CI, 1.17 to 3.30; P = .01) compared with MAC. Models of AML MRD also showed benefit for MAC over RIC for those who tested positive. CONCLUSION This study provides evidence that MAC rather than RIC in patients with AML with genomic evidence of MRD before alloHCT can result in improved survival.

We have developed an enhanced form of reduced representation bisulfite sequencing with extended genomic coverage, which resulted in greater capture of DNA methylation information of regions lying outside of traditional CpG islands. Applying this method to primary human bone marrow specimens from patients with Acute Myelogeneous Leukemia (AML), we demonstrated that genetically distinct AML subtypes display diametrically opposed DNA methylation patterns. As compared to normal controls, we observed widespread hypermethylation in IDH mutant AMLs, preferentially targeting promoter regions and CpG islands neighboring the transcription start sites of genes. In contrast, AMLs harboring translocations affecting the MLL gene displayed extensive loss of methylation of an almost mutually exclusive set of CpGs, which instead affected introns and distal intergenic CpG islands and shores. When analyzed in conjunction with gene expression profiles, it became apparent that these specific patterns of DNA methylation result in differing roles in gene expression regulation. However, despite this subtype-specific DNA methylation patterning, a much smaller set of CpG sites are consistently affected in both AML subtypes. Most CpG sites in this common core of aberrantly methylated CpGs were hypermethylated in both AML subtypes. Therefore, aberrant DNA methylation patterns in AML do not occur in a stereotypical manner but rather are highly specific and associated with specific driving genetic lesions.

Abstract Dimensionality reduction approaches are commonly used for the deconvolution of high-dimensional metabolomics datasets into underlying core metabolic processes. However, current state-of-the-art methods are widely incapable of detecting nonlinearities in metabolomics data. Variational Autoencoders (VAEs) are a deep learning method designed to learn nonlinear latent representations which generalize to unseen data. Here, we trained a VAE on a large-scale metabolomics population cohort of human blood samples consisting of over 4,500 individuals. We analyzed the pathway composition of the latent space using a global feature importance score, which showed that latent dimensions represent distinct cellular processes. To demonstrate model generalizability, we generated latent representations of unseen metabolomics datasets on type 2 diabetes, schizophrenia, and acute myeloid leukemia and found significant correlations with clinical patient groups. Taken together, we demonstrate for the first time that the VAE is a powerful method that learns biologically meaningful, nonlinear, and universal latent representations of metabolomics data.