Abstract Immune-checkpoint blockade (ICB) has demonstrated efficacy in many tumor types, but predictors of responsiveness to anti-PD1 ICB are incompletely characterized. In this study, we analyzed a clinically annotated cohort of patients with melanoma ( n = 144) treated with anti-PD1 ICB, with whole-exome and whole-transcriptome sequencing of pre-treatment tumors. We found that tumor mutational burden as a predictor of response was confounded by melanoma subtype, whereas multiple novel genomic and transcriptomic features predicted selective response, including features associated with MHC-I and MHC-II antigen presentation. Furthermore, previous anti-CTLA4 ICB exposure was associated with different predictors of response compared to tumors that were naive to ICB, suggesting selective immune effects of previous exposure to anti-CTLA4 ICB. Finally, we developed parsimonious models integrating clinical, genomic and transcriptomic features to predict intrinsic resistance to anti-PD1 ICB in individual tumors, with validation in smaller independent cohorts limited by the availability of comprehensive data. Broadly, we present a framework to discover predictive features and build models of ICB therapeutic response.

Gallium-68 (Ga-68)-labeled tracers for imaging expression of the prostate-specific membrane antigen (PSMA) such as the [68Ga]Ga-PSMA-HBED-CC have already demonstrated high potential for the detection of recurrent prostate cancer. However, compared to Ga-68, a labeling with fluorine-18 (F-18) would offer advantages with respect to availability, production amount, and image resolution. [18F]DCFPyL is a promising F-18-labeled candidate for PSMA-positron emission tomography (PET) imaging that has been recently introduced. In the current study, we aimed to compare [68Ga]Ga-PSMA-HBED-CC and [18F]DCFPyL for clinical use in biochemically relapsed prostate cancer. In 14 selected patients with PSA relapse of prostate cancer, [18F]DCFPyL PET/X-ray computed tomography (CT) was performed in addition to [68Ga]Ga-PSMA-HBED-CC PET/CT. A systematic comparison was carried out between results obtained with both tracers with regard to the number of detected PSMA-positive lesions, the standardized uptake value (SUV)max and the lesion to background ratios. All suspicious lesions identified by [68Ga]Ga-PSMA-HBED-CC were also detected with [18F]DCFPyL. In three patients, additional lesions were observed using [18F]DCFPyL PET/CT. The mean SUVmax in the concordant [18F]DCFPyL PSMA-positive lesions was significantly higher as compared to [68Ga]Ga-PSMA-HBED-CC (14.5 vs. 12.2, p = 0.028, n = 15). The mean tumor to background ratios (n = 15) were significantly higher for [18F]DCFPyL compared to [68Ga]Ga-PSMA-HBED-CC using kidney, spleen, or parotid as reference organs (p = 0.006, p = 0.002, p = 0.008), but no significant differences were found using the liver (p = 0.167) or the mediastinum (p = 0.363) as reference organs. [18F]DCFPyL PET/CT provided a high image quality and visualized small prostate lesions with excellent sensitivity. [18F]DCFPyL represents a highly promising alternative to [68Ga]Ga-PSMA-HBED-CC for PSMA-PET/CT imaging in relapsed prostate cancer.

We established a genome-wide compendium of somatic mutation events in 3949 whole cancer genomes representing 19 tumor types. Protein-coding events captured well-established drivers. Noncoding events near tissue-specific genes, such as ALB in the liver or KLK3 in the prostate, characterized localized passenger mutation patterns and may reflect tumor-cell-of-origin imprinting. Noncoding events in regulatory promoter and enhancer regions frequently involved cancer-relevant genes such as BCL6 , FGFR2 , RAD51B , SMC6 , TERT , and XBP1 and represent possible drivers. Unlike most noncoding regulatory events, XBP1 mutations primarily accumulated outside the gene’s promoter, and we validated their effect on gene expression using CRISPR-interference screening and luciferase reporter assays. Broadly, our study provides a blueprint for capturing mutation events across the entire genome to guide advances in biological discovery, therapies, and diagnostics.

Abstract An ongoing challenge to better understand and treat cancer is to distinguish neutral mutations, which do not affect tumor fitness, from those that provide a proliferative advantage. However, the variability of mutation rates has limited our ability to model patterns of neutral mutations and therefore identify cancer driver mutations. Here, we predict cancer-specific mutation rates genome-wide by leveraging deep neural networks to learn mutation rates within kilobase-scale regions and then refining these estimates to test for evidence of selection on combinations of mutations by comparing observed to expected mutation counts. We mapped mutation rates for 37 cancer types and used these maps to identify new putative drivers in understudied regions of the genome including cryptic alternative-splice sites, 5’ untranslated regions and infrequently mutated genes. These results, available for exploration via web interface, indicate the potential for high-resolution neutral mutation models to empower further driver discovery as cancer sequencing cohorts grow.

Abstract Computer vision (CV) approaches applied to digital pathology have informed biological discovery and development of tools to help inform clinical decision-making. However, batch effects in the images have the potential to introduce spurious confounders and represent a major challenge to effective analysis and interpretation of these data. Standard methods to circumvent learning such confounders include (i) application of image augmentation techniques and (ii) examination of the learning process by evaluating through external validation (e.g., unseen data coming from a comparable dataset collected at another hospital). Here, we show that the source site of a histopathology slide can be learned from the image using CV algorithms in spite of image augmentation, and we explore these source site predictions using interpretability tools. A CV model trained using Empirical Risk Minimization (ERM) risks learning this source-site signal as a spurious correlate in the weak-label regime, which we abate by using a training method with abstention. We find that a patch based classifier trained using abstention outperformed a model trained using ERM by 9.9, 10 and 19.4% F1 in the binary classification tasks of identifying tumor versus normal tissue in lung adenocarcinoma, Gleason score in prostate adenocarcinoma, and tumor tissue grade in clear cell renal cell carcinoma, respectively, at the expense of up to 80% coverage (defined as the percent of tiles not abstained on by the model). Further, by examining the areas abstained by the model, we find that the model trained using abstention is more robust to heterogeneity, artifacts and spurious correlates in the tissue. Thus, a method trained with abstention may offer novel insights into relevant areas of the tissue contributing to a particular phenotype. Together, we suggest using data augmentation methods that help mitigate a digital pathology model’s reliance on potentially spurious visual features, as well as selecting models that can identify features truly relevant for translational discovery and clinical decision support.

ABSTRACT Individual tumor molecular profiling is routinely used to detect single gene-variant (“first-order”) genomic alterations that may inform therapeutic actions -- for instance, a tumor with a BRAF p.V600E variant might be considered for RAF/MEK inhibitor therapy. Interactions between such first-order events (e.g., somatic-germline) and global molecular features (e.g. mutational signatures) are increasingly associated with clinical outcomes, but these “second order” alterations are not yet generally accounted for in clinical interpretation algorithms and knowledge bases. Here, we introduce the Molecular Oncology Almanac (MOAlmanac), a clinical interpretation algorithm paired with a novel underlying knowledge base to enable integrative interpretation of genomic and transcriptional cancer data for point-of-care treatment decision-making and translational hypothesis generation. We compared MOAlmanac to first-order interpretation methodology in multiple retrospective patient cohorts and observed that the inclusion of preclinical and inferential evidence as well as second-order molecular features increased the number of nominated clinical hypotheses. MOAlmanac also performed matchmaking between patient molecular profiles and cancer cell lines to further expand individualized clinical actionability. When applied to a prospective precision oncology trial cohort, MOAlmanac nominated a median of two therapies per patient and identified therapeutic strategies administered in 46% of patient profiles. Overall, we present a novel computational method to perform integrative clinical interpretation of individualized molecular profiles. MOAlmanc increases clinical actionability over conventional approaches by considering second-order molecular features and additional evidence sources, and is available as an open-source framework.

Abstract Although papillary thyroid carcinoma (PTC) is the most frequent endocrine tumor with a generally excellent prognosis, a patient developed a clinically aggressive PTC eleven years after receiving platinum chemotherapy for ovarian endometrioid adenocarcinoma. Germline and somatic analyses of multi-temporal and multi-regional molecular profiles indicated that ovarian and thyroid tumors did not share common genetic alterations. PTC tumors had driver events associated with aggressive PTC behavior, an RBPMS-NTRK3 fusion and a TERT promoter mutation. Spatial and temporal genomic heterogeneity analysis indicated a close link between anatomical locations and molecular patterns of PTC. Mutational signature analyses demonstrated a molecular footprint of platinum exposure, and that aggressive molecular drivers of PTC were linked to prior platinum-associated mutagenesis. This case provides a direct association between platinum chemotherapy exposure and secondary solid tumor evolution, in specific aggressive thyroid carcinoma, and suggests that uniform clinical assessments for secondary PTC after platinum chemotherapy may warrant further evaluation.

Many cancer genomes contain large numbers of somatic mutations, but few of these mutations drive tumor development. Current approaches to identify cancer driver genes are largely based on mutational recurrence, i.e. they search for genes with an increased number of nonsynonymous mutations relative to the local background mutation rate. Multiple studies have noted that the sensitivity of recurrence-based methods is limited in tumors with high background mutation rates, because passenger mutations dilute their statistical power. Here, we observe that passenger mutations tend to occur in characteristic nucleotide sequence contexts, while driver mutations follow a different distribution pattern determined by the location of functionally relevant genomic positions along the protein-coding sequence. To discover new cancer genes, we searched for genes with an excess of mutations in unusual nucleotide contexts that deviate from the characteristic context around passenger mutations. By applying this statistical framework to whole-exome sequencing data from 12,004 tumors, we discovered a long tail of novel candidate cancer genes with mutation frequencies as low as 1% and functional supporting evidence. Our results show that considering both the number and the nucleotide context around mutations helps identify novel cancer driver genes, particularly in tumors with high background mutation rates.