Human genetic history in East Asia is poorly understood. To clarify population relationships, we obtained genome-wide data from 26 ancient individuals from northern and southern East Asia spanning 9500 to 300 years ago. Genetic differentiation in this region was higher in the past than the present, which reflects a major episode of admixture involving northern East Asian ancestry spreading across southern East Asia after the Neolithic, thereby transforming the genetic ancestry of southern China. Mainland southern East Asian and Taiwan Strait island samples from the Neolithic show clear connections with modern and ancient individuals with Austronesian-related ancestry, which supports an origin in southern China for proto-Austronesians. Connections among Neolithic coastal groups from Siberia and Japan to Vietnam indicate that migration and gene flow played an important role in the prehistory of coastal Asia.

In this study, we develop a stacked ensemble model that utilizes cell-free DNA (cfDNA) fragmentomics for the early detection of esophageal squamous cell carcinoma (ESCC). This model incorporates four distinct fragmentomics features derived from whole-genome sequencing (WGS) and advanced machine learning algorithms for robust analysis. It is validated across both an independent validation cohort and an external cohort to ensure its generalizability and effectiveness. Notably, the model maintains its robustness in low-coverage sequencing environments, demonstrating its potentials in clinical settings with limited sequencing resources. With its remarkable sensitivity and specificity, this approach promises to significantly improve the early diagnosis and management of ESCC. This study represents a substantial step forward in the application of cfDNA fragmentomics in cancer diagnostics, emphasizing the need for further research to fully establish its clinical efficacy.

e18054 Background: Head and neck squamous cell carcinoma (HNSCC) is the sixth most common cancer type worldwide. The mortality from HNSCC is closely linked to stage. However, the majority of HNSCC patients were diagnosed at an advanced stage. Therefore, a non-invasive assay for the early detection of HNSCCs is highly desirable for reducing the associated mortality. Methods: We collected a study cohort of 281 participants including 140 pathologically confirmed with head and neck squamous cell carcinomas (HNSCCs) and 141 with non-cancerous conditions. A plasma sample was collected from each participant along with general health screening examinations before any invasive examinations. We performed low-pass whole-genome sequencing with plasma samples and profiled three types of cell-free DNA (cfDNA) characteristics, fragment size pattern (FSP), copy number variation (CNV), and single nucleotide substitution (SNS). We developed an ensemble model with these differential profiles to identify HNSCC patients from non-cancer individuals. We further collected a validation cohort consisting of 90 HNSCC patients and 95 non-cancer individuals to validate the cfDNA-based assay. Results: The liquid biopsy assay that incorporated three types of cfDNA characteristics was able to identify HNSCC patients from non-cancer individuals at an AUROC of 0.989 in the study cohort and 0.984 in the validation cohort. At a specificity of 95.7% (135/141), it achieved a sensitivity of 95.7% (134/140) in the study cohort. With this threshold (0.580), in the validation cohort, 93.7% (89/95) of non-cancer individuals and 93.3% (84/90) of HNSCC patients were correctly identified. Specifically, the sensitivities in early stage (I&II) HNSCCs were 94.5 % (52/55) and 87.5% (28/32) in the study and validation cohort, respectively. Of note, the inferred probabilities of cancer showed consistent trends to increase with pathological stages in both cohorts (P=0.032 and 0.047, respectively). On the contrary, the differentiation grades and sub-locations did not significantly affect the performance of the assay. Conclusions: We introduced a liquid biopsy assay using multiple dimensions of cfDNA characteristics that could accurately identify HNSCCs from non-cancerous conditions. As a cost-effective non-invasive approach, it may be conveniently incorporated into annual general physical examinations to provide supplementary information about the risk of HNSCCs.

4054 Background: In this study, we developed a stacked ensemble model that leverages cell-free DNA (cfDNA) fragmentation for the early detection of esophageal squamous cell carcinoma (ESCC). The model combined four fragmentomics features obtained from whole genome sequencing (WGS) and employed four machine learning algorithms. We evaluated the model’s generalizability in an independent validation cohort and an external cohort collected at different center. Additionally, the model’s robustness and repeatability were assessed across low coverage and repeated measured samples. The results underscore the promising potential of our model as an effective strategy for early diagnosis and management of ESCC in clinical settings. Methods: 256 healthy individuals and 243 patients diagnosed with esophageal cancer were enrolled in this study, including 47 healthy participants and 44 patients in the external cohort. Plasma samples from all participants were profiled by whole-genome sequencing (WGS). Fragmentomic features encompassed copy number variation (CNV), fragmentation size coverage (FSC), fragmentation size distribution (FSD), and nucleosome positioning (NP) were incorporated alongside machine learning models to develop an optimized classification model. The model generated a cancer score ranging from 0 to 1 for each cancer and noncancer sample, with a score closer to 1 indicating a higher probability of cancer. The performance of this model was assessed using an independent validation cohort and an external cohort, and model’s robustness and reproducibility were examined. Results: A stacked ensemble model was developed by integrating four cfDNA features and four machine learning algorithms. This integrated model exhibiting remarkable sensitivity of 91.8% (89/97) and specificity of 98.1% (102/104), and AUC of 0.986 in the independent validation cohorts using the cut-off of 0.69 selected at a specificity level of 98% (105) in the training cohort. The external cohort demonstrated a sensitivity of 86.4% (38/44) and a specificity of 95.7% (45/47) with the same cut-off. The model's performance remained consistent even at low sequencing coverage depths of 0.5× (AUC 0.978), providing valuable insights into the resilience and stability of our methodology and ascertained its practical applicability in scenarios with limited sequencing resources or constraints. Furthermore, our model demonstrated sensitivity in identifying early pathological features, with a sensitivity of 94.1% (16/17) for stage I and 91.4% (53/58) for tumors smaller than 3 cm. Conclusions: A stacked ensemble model was implemented in this study, utilizing cfDNA fragmentomics features with exceptional sensitivity for early detection of esophageal squamous cell carcinoma. The anticipated impact of this model is the enhancement of early detection strategies for esophageal cancer in clinical setting.

Abstract Grape downy mildew ( Plasmopara viticola ) is an air-borne disease and difficult to control. It has been observed that intercropping grapevines ( Vitis vinifera ) with aromatic plants can effectively suppress the airborne disease and volatile organic compounds (VOCs) from the aromatic plants are believed to have antimicrobial activities. In this study, a two-year field trial was established by intercropping grapevine and hoary stock ( Matthiola incana ) to evaluate the control of grape downy mildew. The field results showed that intercropping effectively suppressed grape downy mildew, particularly during the blooming stage of hoary stock. VOCs from hoary stock plants exhibited a dosage-dependent antimicrobial activity against grape downy mildew. To examine the role of VOCs, hoary stock plants were grown in an enclosed chamber, and VOCs were collected at the time points before and post blooming. The collected VOCs were subjected to gas chromatography-mass spectrometry (GC–MS) analysis and in vitro bioassays. Twenty-four VOCs found from pre-blooming and 36 VOCs from post-blooming hoary stock plants were identified. Seventeen VOCs demonstrated consistent inhibitory activities against P. viticola , including seven terpenoids, five benzenoids, and five aliphatics. Among the 17 VOCs, five were unique to post-blooming hoary stock, while 12 were common to both pre- and post-blooming hoary stock. The antimicrobial VOCs offers a potential eco-friendly alternative to managing downy mildew.

e12572 Background: Breast cancer (BRCA) ranks as the most frequently diagnosed non-skin cancer and stands as the second leading cause of cancer-related mortality in women in the United States. Globally, 2.3 million women were diagnosed with breast cancer in 2020, resulting in 685,000 deaths. Therefore, accurate classification of breast cancer could contribute to immediate treatment and improve outcomes for individuals diagnosed with breast cancer. Our study introduces an ensemble model utilizing the distinctive characteristics of cell-free DNA (cfDNA) fragmentation from whole genome sequencing (WGS) for the classification of BRCA and benign nodule. Methods: The study cohort consisted of 214 individuals diagnosed with breast cancer (BRCA) and 211 individuals with benign breast nodule. Employing whole-genome sequencing (WGS), we subjected plasma samples from all participants to comprehensive fragmentomic profiling. Three fragmentomic features: copy number variation (CNV), fragmentation size coverage (FSC), and fragmentation size distribution (FSD), were utilized by machine learning algorithms. An ensemble model integrated results from each algorithm then generated a cancer score ranging from 0 to 1 for each sample. The model was trained exclusively using the training cohort and the model’s performance was assessed in the independent validation cohort. Results: Our ensemble model demonstrated a sensitivity of 80.2% and a specificity of 95.3% in training cohort, with an AUC of 0.966. In the validation cohort, the model maintained its effectiveness, with a sensitivity of 73.6%, a specificity of 89.3% supported by an AUC of 0.919. Notably, the model showed various predictive ability across different stages of breast cancer. In the training cohort, it exhibited a sensitivity of 76.4% for Stage I, 81.8% for Stage II, and 88.9% for Stage III, indicating superior predictive power at advanced progression levels. Additionally, the model demonstrated a consistent sensitivity of 75% for Stage I in the validation cohort, affirming its reliable performance across independent datasets. When stratified by molecular subtypes, the model showed relatively lower scores and sensitivity BRCA with HR+/HER2+, compared to HR-/HER2+ and HR+/HER2- subgroups, as well as Triple-Negative Breast Cancer. Finally, the model generated unbiased predictions across various histology subtypes, accurately discerning ductal carcinoma and other BRCA histology subtypes in training and validation cohorts. Conclusions: The ensemble model that leverages non-invasive liquid biopsy-based assay for the accurate classification of BRCA and benign nodule provides a critical opportunity for effective intervention for cancer patients. This approach, facilitating swift and appropriate treatments, and optimizing the allocation of healthcare resources, underscores its significance in the ongoing pursuit of enhancing breast cancer care and outcomes.

4173 Background: Pancreatic ductal adenocarcinoma (PDAC) is one for the most lethal types of cancer. Nearly 80% of the PDAC patients are diagnosed at advanced unresectable stages. Therefore, an accurate early diagnosis assay is urgently needed for reducing PDAC related mortalities. In this study, we aim to utilize cfDNA fragmentomics and machine learning techniques for sensitively detecting PDAC patients. Methods: Total647 cases were prospectively enrolled in this study. Plasma samples were collected from each participant for shallow WGS (~5X). After quality control process, 166 PDAC patients and 167 healthy controls were enrolled as a training cohort. Additional 112 PDAC patients and 111 healthy controls were included as an independent validation cohort. Additional 67 cases with pancreatic benign cystic tumors were also enrolled for model validation including IPMN (Intraductal papillary mucinous neoplasms), MCN (Mucinous cystic neoplasms) and SCN (Serous cystic neoplasms). Four fragmentomics profiles, including copy number variation, fragment size, mutation signatures, and FRAGmentomics-based Methylation Analysis (FRAGMA) were utilized by a machine learning algorithm for developing a predictive model. Results: The predictive model showed an exceptional performance to distinguish PDAC patients from healthy controls, yielding Area Under the Curve (AUC) of 0.993 in the training cohort (5-fold cross validation) and 0.990 in the validation cohort. In the training cohort, our model was capable of detecting PDAC patients at sensitivity of 95.8% and specificity of 95.2% while using 0.49 as cutoff. The validation cohort achieved 99.1% sensitivity at 91.0% specificity while applying the same cutoff. Conclusions: Our model was able to accurately detect PDAC at early stages, by incorporating fragmentomics features through machine learning. It can potentially be used for PDAC early screening, and therefore reducing PDAC related mortalities.