Summary Data mining from RNA-seq or microarray data has become an essential part of cancer biomarker exploration. Certain existing web servers are valuable and broadly utilized, but the meta-analysis of multiple datasets is absent. Most web servers only contain tumor samples from the TCGA database with only one cohort for each cancer type, which also means that the analysis results mainly derived from a single cohort are thin and unstable. Indeed, consistent performance across multiple independent cohorts is the foundation for an excellent biomarker. Moreover, many analytical functions researchers require remain adequately unmet by these tools. Thus, we introduce BEST (Biomarker Exploration for Solid Tumors), a web application for comprehensive biomarker exploration on large-scale data in solid tumors. BEST includes more than 50,000 samples of 27 cancer types. To ensure the comparability of genes between different sequencing technologies and the legibility of clinical traits, we re-annotated transcriptome data based on the GRCh38 patch 13 sequences and unified the nomenclature of clinical traits. BEST delivers fast and customizable functions, including clinical association, survival analysis, enrichment analysis, cell infiltration, immunomodulator, immunotherapy, candidate agents, and genomic alteration. Together, our web server provides multiple cleaned-up independent datasets and diverse analysis functionalities, helping unleash the value of current data resources. It is freely available at https://rookieutopia.com/ . The bigger picture Bioinformatics web servers enable researchers without computational programming skills to conduct various bioinformatics analyses. However, most web servers only contain tumor samples from the TCGA database with only one cohort for each cancer type, which also means that the analysis results mainly derived from a single cohort are thin and unstable. Thus, we introduce BEST (Biomarker Exploration for Solid Tumors), a web application for comprehensive biomarker exploration on large-scale data in solid tumors. BEST includes more than 50,000 samples of 27 cancer types that have been uniformly re-annotated based on the GRCh38 patch 13 sequences, which ensures the comparability of genes between different sequencing technologies. BEST also offers prevalent functions including clinical association, survival analysis, enrichment analysis, cell infiltration, immunomodulator, immunotherapy, candidate agents, and genomic alteration. Together, BEST provides a curated database and innovative analytical pipelines to explore cancer biomarkers at high resolution.

Abstract Background As the most aggressive tumor, the outcome of pancreatic cancer (PACA) has not improved observably over the last decade. Anatomy-based TNM staging does not exactly identify treatment-sensitive patients, and an ideal biomarker is urgently needed for precision medicine. Methods A total of 1280 patients from 10 multi-center cohorts were enrolled. 10 machine-learning algorithms were transformed into 76 combinations, which were performed to construct an artificial intelligence-derived prognostic signature (AIDPS). The predictive performance, multi-omic alterations, immune landscape, and clinical significance of AIDPS were further explored. Results Based on 10 independent cohorts, we screened 32 consensus prognostic genes via univariate Cox regression. According to the criterion with the largest average C-index in the nine validation sets, we selected the optimal algorithm to construct the AIDPS. After incorporating several vital clinicopathological features and 86 published signatures, AIDPS exhibited robust and dramatically superior predictive capability. Moreover, in other prevalent digestive system tumors, the 9-gene AIDPS could still accurately stratify the prognosis. Of note, our AIDPS had important clinical implications for PACA, and patients with low AIDPS owned a dismal prognosis, relatively high frequency of mutations and copy number alterations, and denser immune cell infiltrates as well as were more sensitive to immunotherapy. Correspondingly, the high AIDPS group possessed dramatically prolonged survival, and panobinostat might be a potential agent for patients with high AIDPS. Conclusions The AIDPS could accurately predict the prognosis and immunotherapy efficacy of PACA, which might become an attractive tool to further guide the stratified management and individualized treatment. Funding This study was supported by the National Natural Science Foundation of China (No. 81870457, 82172944).

Abstract Molecular subtypes of colorectal cancer (CRC) are currently identified via the snapshot transcriptional profiles, largely ignoring the dynamic changes of gene expressions. Conversely, biological networks remain relatively stable irrespective of time and condition. Here, we introduce an individual-specific gene interaction perturbation network-based (GIN) approach and identify six GIN subtypes (GINS1-6) with distinguishing features: (i) GINS1 (proliferative, 24%∼34%), elevated proliferative activity, high tumor purity, immune-desert, PIK3CA mutations, and immunotherapeutic resistance; (ii) GINS2 (stromal-rich, 14%∼22%), abundant fibroblasts, immune-suppressed, stem-cell-like, SMAD4 mutations, unfavorable prognosis, high potential of recurrence and metastasis, immunotherapeutic resistance, and sensitive to fluorouracil-based chemotherapy; (iii) GINS3 ( KRAS -inactivated, 13%∼20%), high tumor purity, immune-desert, activation of EGFR and ephrin receptors, chromosomal instability (CIN), fewer KRAS mutations, SMOC1 methylation, immunotherapeutic resistance, and sensitive to cetuximab and bevacizumab; (iv) GINS4 (mixed, 10%∼19%), moderate level of stromal and immune activities, transit-amplifying-like, and TMEM106A methylation; (v) GINS5 (immune-activated, 12%∼24%), stronger immune activation, plentiful tumor mutation and neoantigen burden, microsatellite instability and high CpG island methylator phenotype, BRAF mutations, favorable prognosis, and sensitive to immunotherapy and PARP inhibitors; (vi) GINS6, (metabolic, 5%∼8%), accumulated fatty acids, enterocyte-like, and BMP activity. Overall, the novel high-resolution taxonomy derived from an interactome perspective could facilitate more effective management of CRC patients.

Abstract Advances in multi-omics and big-data technologies have led to numerous prognostic signatures aimed at improving current clinicopathological staging systems. Due to the lack of reproducibility and independent confirmation, few signatures have been translated into clinical routine. As high-quality datasets accumulate, identifying robust signatures across multiple independent cohorts becomes possible. Nonetheless, inaccurate data retrieval, different versions of genome annotations, disparate expression distributions, difficult data cleaning, inconsistent clinical information, algorithm selection, and parameter tuning have impeded model development and validation in multi-center datasets. Hence, for the first time, we introduced SurvivalML ( https://rookieutopia.com/app_direct/SurvivalML/ ), a web application for helping develop and validate prognostic models across multi-center datasets. SurvivalML included 37,325 samples (253 eligible datasets) with both transcriptome data and survival information from 21 cancer types, which were renewedly and uniformly re-annotated, normalized, and cleaned. This application provided 10 survival machine-learning algorithms for flexibly training models via tuning essential parameters online and delivered four aspects for model evaluation, including Kaplan-Meier survival analysis, time-dependent ROC, calibration curve, and decision curve analysis. Overall, we believe that SurvivalML can serve as an attractive platform for model discovery from multi-center datasets.