Various species of the intestinal microbiota have been associated with the development of colorectal cancer1,2, but it has not been demonstrated that bacteria have a direct role in the occurrence of oncogenic mutations. Escherichia coli can carry the pathogenicity island pks, which encodes a set of enzymes that synthesize colibactin3. This compound is believed to alkylate DNA on adenine residues4,5 and induces double-strand breaks in cultured cells3. Here we expose human intestinal organoids to genotoxic pks+ E. coli by repeated luminal injection over five months. Whole-genome sequencing of clonal organoids before and after this exposure revealed a distinct mutational signature that was absent from organoids injected with isogenic pks-mutant bacteria. The same mutational signature was detected in a subset of 5,876 human cancer genomes from two independent cohorts, predominantly in colorectal cancer. Our study describes a distinct mutational signature in colorectal cancer and implies that the underlying mutational process results directly from past exposure to bacteria carrying the colibactin-producing pks pathogenicity island. Organoids derived from human intestinal cells that are co-cultured with bacteria carrying the genotoxic pks+ island develop a distinct mutational signature associated with colorectal cancer.

As the use of RNA-seq has popularized, there is an increasing consciousness of the importance of experimental design, bias removal, accurate quantification and control of false positives for proper data analysis. We introduce the NOISeq R-package for quality control and analysis of count data. We show how the available diagnostic tools can be used to monitor quality issues, make pre-processing decisions and improve analysis. We demonstrate that the non-parametric NOISeqBIO efficiently controls false discoveries in experiments with biological replication and outperforms state-of-the-art methods. NOISeq is a comprehensive resource that meets current needs for robust data-aware analysis of RNA-seq differential expression.

Abstract Alpha-tubulin 4A encoding gene (TUBA4A) has been associated with familial amyotrophic lateral sclerosis (fALS) and fronto-temporal dementia (FTD), based on identification of likely pathogenic variants in patients from distinct ALS and FTD cohorts. By screening a multicentric French cohort of 448 unrelated probands presenting with cerebellar ataxia, we identified ultra-rare TUBA4A missense variants, all being absent from public databases and predicted pathogenic by multiple in-silico tools. In addition, gene burden analyses in the 100,000 genomes project (100KGP) showed enrichment of TUBA4A rare variants in the inherited ataxia group compared to controls (OR: 57.0847 [10.2- 576.7]; p = 4.02 x10-07). Altogether, we report 12 patients presenting with spasticity and/or cerebellar ataxia and harboring a predicted pathogenic TUBA4A missense mutation, including 5 confirmed de novo cases and a mutation previously reported in a large family presenting with spastic ataxia. Cultured fibroblasts from 3 patients harboring distinct TUBA4A missense showed significant alterations in microtubule organisation and dynamics, providing insight of TUBA4A variants pathogenicity. Our data confirm the identification of a hereditary spastic ataxia disease gene with variable age of onset, expanding the clinical spectrum of TUBA4A associated phenotypes.

The increasing availability of multi-omic platforms poses new challenges to data analysis. Joint visualization of multi-omics data is instrumental to understand interconnections across molecular layers and to fully leverage the biology discovery power offered by the multi-omics approach. We present here PaintOmics 3, a web-based resource for the integrated visualization of multiple omic data types onto KEGG pathway diagrams. PaintOmics 3 combines server-end capabilities for data analysis with the potential of modern web resources for data visualization, providing researchers with a powerful framework for interactive exploration of their multi-omics information. Unlike other visualization tools, PaintOmics 3 covers a complete pathway analysis workflow, including automatic feature name/identifier conversion, multi-layered feature matching, pathway enrichment, network analysis, interactive heatmaps, trend charts, etc. It accepts a wide variety of omic types, including transcriptomics, proteomics and metabolomics, as well as region-based approaches such as ATAC-seq or ChIP-seq data. The tool is freely available at http://bioinfo.cipf.es/paintomics/.