We performed an extensive immunogenomic analysis of more than 10,000 tumors comprising 33 diverse cancer types by utilizing data compiled by TCGA. Across cancer types, we identified six immune subtypes—wound healing, IFN-γ dominant, inflammatory, lymphocyte depleted, immunologically quiet, and TGF-β dominant—characterized by differences in macrophage or lymphocyte signatures, Th1:Th2 cell ratio, extent of intratumoral heterogeneity, aneuploidy, extent of neoantigen load, overall cell proliferation, expression of immunomodulatory genes, and prognosis. Specific driver mutations correlated with lower (CTNNB1, NRAS, or IDH1) or higher (BRAF, TP53, or CASP8) leukocyte levels across all cancers. Multiple control modalities of the intracellular and extracellular networks (transcription, microRNAs, copy number, and epigenetic processes) were involved in tumor-immune cell interactions, both across and within immune subtypes. Our immunogenomics pipeline to characterize these heterogeneous tumors and the resulting data are intended to serve as a resource for future targeted studies to further advance the field.

Methane is an essential component of the global carbon cycle and one of the most powerful greenhouse gases, yet it is also a promising alternative source of carbon for the biological production of value-added chemicals. Aerobic methane-consuming bacteria (methanotrophs) represent a potential biological platform for methane-based biocatalysis. Here we use a multi-pronged systems-level approach to reassess the metabolic functions for methane utilization in a promising bacterial biocatalyst. We demonstrate that methane assimilation is coupled with a highly efficient pyrophosphate-mediated glycolytic pathway, which under oxygen limitation participates in a novel form of fermentation-based methanotrophy. This surprising discovery suggests a novel mode of methane utilization in oxygen-limited environments, and opens new opportunities for a modular approach towards producing a variety of excreted chemical products using methane as a feedstock. Methane is a promising renewable carbon source for chemical synthesis, yet methane bio-gas is currently underutilised as a feedstock. Here the authors examine the metabolic processes of methanotrophic bacteria to assess their use for conversion of methane to value-added chemical products.

Many approaches to identify therapeutically relevant neoantigens couple tumor sequencing with bioinformatic algorithms and inferred rules of tumor epitope immunogenicity. However, there are no reference data to compare these approaches, and the parameters governing tumor epitope immunogenicity remain unclear. Here, we assembled a global consortium wherein each participant predicted immunogenic epitopes from shared tumor sequencing data. 608 epitopes were subsequently assessed for T cell binding in patient-matched samples. By integrating peptide features associated with presentation and recognition, we developed a model of tumor epitope immunogenicity that filtered out 98% of non-immunogenic peptides with a precision above 0.70. Pipelines prioritizing model features had superior performance, and pipeline alterations leveraging them improved prediction performance. These findings were validated in an independent cohort of 310 epitopes prioritized from tumor sequencing data and assessed for T cell binding. This data resource enables identification of parameters underlying effective anti-tumor immunity and is available to the research community.

The cyclic GMP-AMP synthase/stimulator of IFN genes (cGAS/STING) pathway detects cytosolic DNA to activate innate immune responses. Poly(ADP-ribose) polymerase inhibitors (PARPi) selectively target cancer cells with DNA repair deficiencies such as those caused by BRCA1 mutations or ERCC1 defects. Using isogenic cell lines and patient-derived samples, we showed that ERCC1-defective non–small cell lung cancer (NSCLC) cells exhibit an enhanced type I IFN transcriptomic signature and that low ERCC1 expression correlates with increased lymphocytic infiltration. We demonstrated that clinical PARPi, including olaparib and rucaparib, have cell-autonomous immunomodulatory properties in ERCC1-defective NSCLC and BRCA1-defective triple-negative breast cancer (TNBC) cells. Mechanistically, PARPi generated cytoplasmic chromatin fragments with characteristics of micronuclei; these were found to activate cGAS/STING, downstream type I IFN signaling, and CCL5 secretion. Importantly, these effects were suppressed in PARP1-null TNBC cells, suggesting that this phenotype resulted from an on-target effect of PARPi on PARP1. PARPi also potentiated IFN-γ–induced PD-L1 expression in NSCLC cell lines and in fresh patient tumor cells; this effect was enhanced in ERCC1-deficient contexts. Our data provide a preclinical rationale for using PARPi as immunomodulatory agents in appropriately molecularly selected populations.

Abstract Deconvolution methods infer levels of immune and stromal infiltration from bulk expression of tumor samples. These methods allow projection of characteristics of the tumor microenvironment, known to affect patient outcome and therapeutic response, onto the millions of bulk transcriptional profiles in public databases, many focused on uniquely valuable and clinically-annotated cohorts. Despite the wide development of such methods, a standardized dataset with ground truth to evaluate their performance has been lacking. We generated and sequenced in vitro and in silico admixtures of tumor, immune, and stromal cells and used them as ground truth in a community-wide DREAM Challenge that provided an objective, unbiased assessment of six widely-used published deconvolution methods and of 22 new analytical approaches developed by international teams. Our results demonstrate that existing methods predict many cell types well, while team-contributed methods highlight the potential to resolve functional states of T cells that were either not covered by published reference signatures or estimated poorly by some published methods. Our assessment and the open-source implementations of top-performing methods will allow researchers to apply the deconvolution approach most appropriate to querying their cell type of interest. Further, our publicly-available admixed and purified expression profiles will be a valuable resource to those developing deconvolution methods, including in non-malignant settings involving immune cells.

Abstract We evaluate deconvolution methods, which infer levels of immune infiltration from bulk expression of tumor samples, through a community-wide DREAM Challenge. We assess six published and 22 community-contributed methods using in vitro and in silico transcriptional profiles of admixed cancer and healthy immune cells. Several published methods predict most cell types well, though they either were not trained to evaluate all functional CD8+ T cell states or do so with low accuracy. Several community-contributed methods address this gap, including a deep learning-based approach, whose strong performance establishes the applicability of this paradigm to deconvolution. Despite being developed largely using immune cells from healthy tissues, deconvolution methods predict levels of tumor-derived immune cells well. Our admixed and purified transcriptional profiles will be a valuable resource for developing deconvolution methods, including in response to common challenges we observe across methods, such as sensitive identification of functional CD4+ T cell states.

Despite decades of intensive search for compounds that modulate the activity of particular targets, there are currently small-molecules available only for a small proportion of the human proteome. Effective approaches are therefore required to map the massive space of unexplored compound-target interactions for novel and potent activities. Here, we carried out a crowdsourced benchmarking of predictive models for kinase inhibitor potencies across multiple kinase families using unpublished bioactivity data. The top-performing predictions were based on kernel learning, gradient boosting and deep learning, and their ensemble resulted in predictive accuracy exceeding that of kinase activity assays. We then made new experiments based on the model predictions, which further improved the accuracy of experimental mapping efforts and identified unexpected potencies even for under-studied kinases. The open-source algorithms together with the novel bioactivities between 95 compounds and 295 kinases provide a resource for benchmarking new prediction algorithms and for extending the druggable kinome.

Expression quantitative trait locus (eQTL) analysis relates genetic variation to gene expression, and it has been shown that power to detect eQTLs is substantially increased by adjustment for measures of expression variability derived from singular value decomposition-based procedures (referred to as expression factors, or EFs). A potential downside to this approach is that power will be reduced for eQTL that are correlated with one or more EFs, but these approaches are commonly used in human eQTL studies on the assumption that this risk is low for cis (i.e. local) eQTL associations. Using two independent blood eQTL datasets, we show that this assumption is incorrect and that, in fact, 10-25% of eQTL that are significant without adjustment for EFs are no longer detected after EF adjustment. In addition, the majority of these lost eQTLs replicate in independent data, indicating that they are not spurious associations. Thus, in the ideal case, EFs would be re-estimated for each eQTL association test, as has been suggested by others; however, this is computationally infeasible for large datasets with densely imputed genotype data. We propose an alternative, buffet-style approach in which a series of EF and non-EF eQTL analyses are performed and significant eQTL discoveries are collected across these analyses. We demonstrate that standard methods to control the false discovery rate perform similarly between the single EF and buffet-style approaches, and we provide biological support for eQTL discovered by this approach in terms of immune cell-type specific enhancer enrichment in Roadmap Epigenomics and ENCODE cell lines.

While many disease-associated single nucleotide polymorphisms (SNPs) are associated with gene expression (expression quantitative trait loci, eQTLs), a large proportion of complex disease genome-wide association study (GWAS) variants are of unknown function. Some of these SNPs may contribute to disease by regulating gene splicing. Here, we investigate whether SNPs that are associated with alternative splicing (splice QTL or sQTL) can identify novel functions for existing GWAS variants or suggest new associated variants in chronic obstructive pulmonary disease (COPD). RNA sequencing was performed on whole blood from 376 subjects from the COPDGene Study. Using linear models, we identified 561,060 unique sQTL SNPs associated with 30,333 splice sites corresponding to 6,419 unique genes. Similarly, 708,928 unique eQTL SNPs involving 15,913 genes were detected at 10% FDR. While there is overlap between sQTLs and eQTLs, 60% of sQTLs are not eQTLs. Co-localization analysis revealed that 7 out of 21 loci associated with COPD (p<1x10-6) in a published GWAS have at least one shared causal variant between the GWAS and sQTL studies. Among the genes identified to have splice sites associated with top GWAS SNPs was FBXO38, in which a novel exon was discovered to be protective against COPD. Importantly, the sQTL in this locus was validated by qPCR in both blood and lung tissue, demonstrating that splice variants relevant to lung tissue can be identified in blood. Other identified genes included CDK11A and SULT1A2. Overall, these data indicate that analysis of alternative splicing can provide novel insights into disease mechanisms. In particular, we demonstrated that SNPs in a known COPD GWAS locus on chromosome 5q32 influence alternative splicing in the gene FBXO38.

Background: Upper lobe predominant emphysema is an important predictor of the response to lung volume reduction procedures. Several genetic risk loci associated with emphysema distribution have been identified through genome-wide association studies (GWAS). To further characterize these associations, we performed functional evaluations of the identified SNPs using available resources of expression quantitative trait loci (eQTL) and cell-type-specific epigenomic annotations. Results: SNPs with P-values <5x10-5 in the largest current GWAS meta-analysis of emphysema distribution in smokers (Boueiz A. et al, AJRCCM 2017) were analyzed. 99 distinct emphysema distribution-associated loci had significant associations with multi-tissue eQTL from the Genotype-Tissue Expression (GTEx) project and whole blood eQTL from the COPDGene study at FDR 10%. 14 of these loci showed strong evidence of one shared causal variant for emphysema distribution and an eQTL in multiple tissues (colocalization posterior probability ≥ 0.9). 17 Roadmap cell types exhibited enrichment in DNase-I hypersensitive peaks, DNaseI hotspots, enhancer marks, or digital DNaseI footprinting (P-value < 0.05), with the strongest enrichment observed in CD4+, CD8+, and regulatory T cells. A region near the ACVR1B gene demonstrated significant colocalization in lung eQTL and DNase-I hypersensitive region that is active in multiple cell types. Reporter assays confirmed allele-specific regulatory activity for the emphysema distribution-associated variant, rs7962469, near ACVR1B. Conclusions: This integrative analysis highlights candidate causal genes, regulatory variations, and specific cell types that may contribute to the pathogenesis of emphysema distribution. These findings will enable more accurate functional validation studies, better understanding of emphysema distribution biology, and ultimately, personalized patient care.