Uterine leiomyomas are common benign smooth muscle tumors that impose a major burden on women's health. Recent sequencing studies have revealed recurrent and mutually exclusive mutations in leiomyomas, suggesting the involvement of molecularly distinct pathways. In this study, we explored transcriptional differences among leiomyomas harboring different genetic drivers, including high mobility group AT-hook 2 (HMGA2) rearrangements, mediator complex subunit 12 (MED12) mutations, biallelic inactivation of fumarate hydratase (FH), and collagen, type IV, alpha 5 and collagen, type IV, alpha 6 (COL4A5-COL4A6) deletions. We also explored the transcriptional consequences of 7q22, 22q, and 1p deletions, aiming to identify possible target genes. We investigated 94 leiomyomas and 60 corresponding myometrial tissues using exon arrays, whole genome sequencing, and SNP arrays. This integrative approach revealed subtype-specific expression changes in key driver pathways, including Wnt/β-catenin, Prolactin, and insulin-like growth factor (IGF)1 signaling. Leiomyomas with HMGA2 aberrations displayed highly significant up-regulation of the proto-oncogene pleomorphic adenoma gene 1 (PLAG1), suggesting that HMGA2 promotes tumorigenesis through PLAG1 activation. This was supported by the identification of genetic PLAG1 alterations resulting in expression signatures as seen in leiomyomas with HMGA2 aberrations. RAD51 paralog B (RAD51B), the preferential translocation partner of HMGA2, was up-regulated in MED12 mutant lesions, suggesting a role for this gene in the genesis of leiomyomas. FH-deficient leiomyomas were uniquely characterized by activation of nuclear factor erythroid 2-related factor 2 (NRF2) target genes, supporting the hypothesis that accumulation of fumarate leads to activation of the oncogenic transcription factor NRF2. This study emphasizes the need for molecular stratification in leiomyoma research and possibly in clinical practice as well. Further research is needed to determine whether the candidate biomarkers presented herein can provide guidance for managing the millions of patients affected by these lesions.

Uterine leiomyomas (ULs) are benign tumors that are a major burden to women's health. A genome-wide association study on 5,417 UL cases and 331,791 controls was performed, followed by replication of the genomic risk in two cohorts. Effects of the identified risk alleles were evaluated in view of molecular and clinical features. Five loci displayed a genome-wide significant association; the previously reported TNRC6B, and four novel loci ESR1 (ERα), WT1, WNT4, and ATM. The sixth hit TERT is also a conceivable target. The combined polygenic risk contributed by these loci was associated with MED12 mutation-positive tumors. The findings link genes for uterine development and genetic stability to leiomyomagenesis. While the fundamental role of sex hormones in UL aetiology has been clear, this work reveals a connection to estrogen receptor alpha on genetic level and suggests that determinants of UL growth associated with estrogen exposure have an inherited component.

ObjectivePrognostic stratification of endometrial cancer involves the assessment of stage, uterine risk factors, and molecular classification. This process can be further refined through annotation of prognostic biomarkers, notably L1 cell adhesion molecule (L1CAM) and hormonal receptors. Loss of asparaginase-like protein 1 (ASRGL1) has been shown to correlate with poor outcome in endometrial cancer. Our objective was to assess prognostication of endometrial cancer by ASRGL1 in conjunction with other available methodologies.Study DesignThis was a retrospective study of patients who underwent primary treatment at a single tertiary center. Tumors were molecularly classified by the Proactive Molecular Risk Classifier for Endometrial Cancer. Expression of ASRGL1, L1CAM, estrogen receptor, and progesterone receptor was determined by immunohistochemistry. ASRGL1 expression intensity was scored into four classes.ResultsIn a cohort of 775 patients, monitored for a median time of 81 months, ASRGL1 expression intensity was related to improved disease-specific survival in a dose-dependent manner (P < 0.001). Low expression levels were associated with stage II–IV disease and presence of uterine factors, i.e. high grade, lymphovascular space invasion, and deep myometrial invasion (P < 0.001 for all). Among the molecular subgroups, low expression was most prevalent in p53 abnormal carcinomas (P < 0.001). Low ASRGL1 was associated with positive L1CAM expression and negative estrogen and progesterone receptor expression (P < 0.001 for all). After adjustment for stage and uterine factors, strong ASRGL1 staining intensity was associated with a lower risk for cancer-related deaths (hazard ratio 0.56, 95 % confidence interval 0.32–0.97; P = 0.038). ASRGL1 was not associated with the outcome when adjusted for stage, molecular subgroups, L1CAM, and hormonal receptors. When analyzed separately within the different molecular subgroups, ASRGL1 showed an association with disease-specific survival specifically in "no specific molecular profile" subtype carcinomas (P < 0.001). However, this association became nonsignificant upon controlling for confounders.ConclusionsLow ASRGL1 expression intensity correlates with poor survival in endometrial cancer. ASRGL1 contributes to more accurate prognostication when controlled for stage and uterine factors. However, when adjusted for stage and other biomarkers, including molecular subgroups, ASRGL1 does not improve prognostic stratification.

Abstract Endometrial carcinoma (EC) is one of the most common gynecological cancers in the world. In this work we apply Cox proportional hazards (CPH) and optimal survival tree (OST) algorithms to the retrospective prognostic modeling of disease-specific survival in 842 EC patients. We demonstrate that the linear CPH models are preferred for the EC risk assessment based on clinical features alone, while the interpretable, non-linear OST models are favored when patient profiles are enriched with tumor molecular data. By studying the OST decision path structure, we show how explainable tree models recapitulate existing clinical knowledge prioritizing L1 cell-adhesion molecule and estrogen receptor status indicators as key risk factors in the p53 abnormal EC subgroup. We believe that visually interpretable tree algorithms are a promising method to explore feature interactions and generate novel research hypotheses. To aid further clinical adoption of advanced machine learning techniques, we stress the importance of quantifying model discrimination and calibration performance in the development of explainable clinical prediction models.