Over the past several decades, the incidence of early-onset cancers, often defined as cancers diagnosed in adults <50 years of age, in the breast, colorectum, endometrium, oesophagus, extrahepatic bile duct, gallbladder, head and neck, kidney, liver, bone marrow, pancreas, prostate, stomach and thyroid has increased in multiple countries. Increased use of screening programmes has contributed to this phenomenon to a certain extent, although a genuine increase in the incidence of early-onset forms of several cancer types also seems to have emerged. Evidence suggests an aetiological role of risk factor exposures in early life and young adulthood. Since the mid-20th century, substantial multigenerational changes in the exposome have occurred (including changes in diet, lifestyle, obesity, environment and the microbiome, all of which might interact with genomic and/or genetic susceptibilities). However, the effects of individual exposures remain largely unknown. To study early-life exposures and their implications for multiple cancer types will require prospective cohort studies with dedicated biobanking and data collection technologies. Raising awareness among both the public and health-care professionals will also be critical. In this Review, we describe changes in the incidence of early-onset cancers globally and suggest measures that are likely to reduce the burden of cancers and other chronic non-communicable diseases. The incidence of early-onset forms of many cancers (defined as cancers diagnosed in individuals <50 years of age) has increased in a number of countries over the past several decades. The underlying reasons for this apparent increase probably include greater use of screening programmes, but also changing patterns in early-life exposures. In this Review, the authors describe the emerging global increase in the incidence of early-onset cancers and suggest changes that might address this situation.

Abstract Pooling metabolomics data across studies is often desirable to increase the statistical power of the analysis. However, this can raise methodological challenges as several preanalytical and analytical factors could introduce differences in measured concentrations and variability between datasets. Specifically, different studies may use variable sample types (e.g., serum versus plasma) collected, treated and stored according to different protocols, and assayed in different laboratories using different instruments. To address these issues, a new pipeline was developed to normalize and pool metabolomics data through a set of sequential steps: (i) exclusions of the least informative observations and metabolites and removal of outliers; imputation of missing data; (ii) identification of the main sources of variability through PC-PR2 analysis; (iii) application of linear mixed models to remove unwanted variability, including samples’ originating study and batch, and preserve biological variations while accounting for potential differences in the residual variances across studies. This pipeline was applied to targeted metabolomics data acquired using Biocrates AbsoluteIDQ kits in eight case-control studies nested within the European Prospective Investigation into Cancer and Nutrition (EPIC) cohort. Comprehensive examination of metabolomics measurements indicated that the pipeline improved the comparability of data across the studies. Our pipeline can be adapted to normalize other molecular data, including biomarkers as well as proteomics data, and could be used for pooling molecular datasets, for example in international consortia, to limit biases introduced by inter-study variability. This versatility of the pipeline makes our work of potential interest to molecular epidemiologists.