Summary

 DNA damage repair (DDR) pathways modulate cancer risk, progression, and therapeutic response. We systematically analyzed somatic alterations to provide a comprehensive view of DDR deficiency across 33 cancer types. Mutations with accompanying loss of heterozygosity were observed in over 1/3 of DDR genes, including TP53 and BRCA1/2. Other prevalent alterations included epigenetic silencing of the direct repair genes EXO5, MGMT, and ALKBH3 in ∼20% of samples. Homologous recombination deficiency (HRD) was present at varying frequency in many cancer types, most notably ovarian cancer. However, in contrast to ovarian cancer, HRD was associated with worse outcomes in several other cancers. Protein structure-based analyses allowed us to predict functional consequences of rare, recurrent DDR mutations. A new machine-learning-based classifier developed from gene expression data allowed us to identify alterations that phenocopy deleterious TP53 mutations. These frequent DDR gene alterations in many human cancers have functional consequences that may determine cancer progression and guide therapy.

Aneuploidy, whole chromosome or chromosome arm imbalance, is a near-universal characteristic of human cancers. In 10,522 cancer genomes from The Cancer Genome Atlas, aneuploidy was correlated with TP53 mutation, somatic mutation rate, and expression of proliferation genes. Aneuploidy was anti-correlated with expression of immune signaling genes, due to decreased leukocyte infiltrates in high-aneuploidy samples. Chromosome arm-level alterations show cancer-specific patterns, including loss of chromosome arm 3p in squamous cancers. We applied genome engineering to delete 3p in lung cells, causing decreased proliferation rescued in part by chromosome 3 duplication. This study defines genomic and phenotypic correlates of cancer aneuploidy and provides an experimental approach to study chromosome arm aneuploidy.

Abstract A fundamental goal across the neurosciences is the characterization of relationships linking brain anatomy, functioning, and behavior. Although various MRI modalities have been developed to probe these relationships, direct comparisons of their ability to predict behavior have been lacking. Here, we compared the ability of anatomical T1, diffusion and functional MRI (fMRI) to predict behavior at an individual level. Cortical thickness, area and volume were extracted from anatomical T1 images. Diffusion Tensor Imaging (DTI) and approximate Neurite Orientation Dispersion and Density Imaging (NODDI) models were fitted to the diffusion images. The resulting metrics were projected to the Tract-Based Spatial Statistics (TBSS) skeleton. We also ran probabilistic tractography for the diffusion images, from which we extracted the stream count, average stream length, and the average of each DTI and NODDI metric across tracts connecting each pair of brain regions. Functional connectivity (FC) was extracted from both task and resting-state fMRI. Individualized prediction of a wide range of behavioral measures were performed using kernel ridge regression, linear ridge regression and elastic net regression. Consistency of the results were investigated with the Human Connectome Project (HCP) and Adolescent Brain Cognitive Development (ABCD) datasets. In both datasets, FC-based models gave the best prediction performance, regardless of regression model or behavioral measure. This was especially true for the cognitive domain. Furthermore, all modalities were able to predict cognition better than other behavioral domains. Combining all modalities improved prediction of cognition, but not other behavioral domains. Finally, across all behaviors, combining resting and task FC yielded prediction performance similar to combining all modalities. Overall, our study suggests that in the case of healthy children and young adults, behaviorally-relevant information in T1 and diffusion features might reflect a subset of the variance captured by FC. Highlights FC predicts behavior better than anatomical and diffusion features Cognition is predicted better than other behavioral domains regardless of modality Combining resting & task FC improves prediction as much as combining all modalities Findings were replicated over 3 regression models and 2 datasets

Summary Targeted therapeutics have advanced cancer treatment, but single agent activity remains limited by de novo and acquired resistance. Combining targeted drugs is broadly seen as a way to improve treatment outcome, motivating the ongoing search for efficacious combinations. To identify synergistic targeted therapy combinations and study the impact of tumor heterogeneity on combination outcome, we systematically tested over 5,000 two drug combinations at multiple doses across a collection of 81 non-small cancer cell lines. Both known and novel synergistic combinations were identified. Strikingly, very few combinations yield synergy across the majority of cell line models. Importantly, synergism mainly arises due to sensitization of single agent resistant models, rather than further sensitize already sensitive cell lines, frequently via dual targeting of a single or two highly interconnected pathways. This drug combinations resource, the largest of its kind should help delineate new synergistic regimens by facilitating the understanding of drug synergism in cancer.

Abstract Clinical trials in Alzheimer’s disease need to enroll patients whose cognition will decline over time, if left untreated, in order to demonstrate the efficacy of an intervention. Machine learning models used to screen for patients at risk of progression to dementia should therefore favor specificity (detecting only progressors) over sensitivity (detecting all progressors), especially when the prevalence of progressors is low. Here, we explore whether such high-risk patients can be identified using cognitive assessments and structural neuroimaging, by training machine learning tools in a high specificity regime. A multimodal signature of Alzheimer’s dementia was first extracted from ADNI1. We then validated the predictive value of this signature on ADNI1 patients with mild cognitive impairment (N=235). The signature was optimized to predict progression to dementia over three years with low sensitivity (55.1%) but high specificity (95.6%), resulting in only moderate accuracy (69.3%) but high positive predictive value (80.4%, adjusted for a “typical” 33% prevalence rate of true progressors). These results were replicated in ADNI2 (N=235), with 87.8% adjusted positive predictive value (96.7% specificity, 47.3% sensitivity, 85.1% accuracy). We found that cognitive measures alone could identify high-risk individuals, with structural measurements providing a slight improvement. The signature had comparable receiver operating characteristics to standard machine learning tools, yet a marked improvement in positive predictive value was achieved over the literature by selecting a high specificity operating point. The multimodal signature can be readily applied for the enrichment of clinical trials.

We present group brain parcellations for clusters generated from resting-state functional magnetic resonance images for 99 cognitively normal elderly persons and 129 patients with mild cognitive impairment, pooled from four independent datasets. The brain parcellations have been registered to both symmetric and asymmetric MNI brain templates and generated using a method called bootstrap analysis of stable clusters (BASC, Bellec et al., 2010). Eight resolutions of clusters were selected using a data-driven method called MSTEPS (Bellec, 2013). We present two variants of these parcellations. One variant contains bihemisphereic parcels (4, 6, 12, 22, 33, 65, 111, and 208 total parcels across eight resolutions). The second variant contains spatially connected regions of interest (ROIs) that span only one hemisphere (10, 17, 30, 51, 77, 199, and 322 total ROIs across eight resolutions). We also present maps illustrating functional connectivity differences between patients and controls for four regions of interest (superior medial frontal cortex, dorsomedial prefrontal cortex, striatum, middle temporal lobe). The brain parcels and associated statistical maps have been publicly released as 3D volumes, available in .mnc and .nii file formats on figshare (http://dx.doi.org/10.6084/m9.figshare.1480461) and on Neurovault (http://neurovault.org/collections/1003/). This dataset was generated as part of the following study: Tam A, Dansereau C, Badhwar A, Orban P, Belleville S, Chertkow H, Dagher A, Hanganu A, Monchi O, Rosa-Neto P, Shmuel A, Wang S, Breitner J, Bellec P for the Alzheimer's Disease Neuroimaging Initiative (2015) Common Effects of Amnestic Mild Cognitive Impairment on Resting-State Connectivity Across Four Independent Studies. Front. Aging Neurosci. 7:242. doi: 10.3389/fnagi.2015.00242Finally, the code used to generate this dataset is available on Github (https://github.com/SIMEXP/mcinet).

We introduce a solid state high throughput screening (ssHTS) imaging modality that uses a novel Newtonian telescope design to image multiple spatially separated samples without moving parts or robotics. Conventional high-throughput imaging modalities either require movement of the sample to the focal plane of the imaging system or movement of the imaging system itself or use a wide-field approach to capture several samples in one frame. Schemes which move the sample or the imaging system can be mechanically complex and are inherently slow, while wide-field imaging systems have poor light collection efficiency and resolution compared to systems that image a single sample at a given time point. Our proposed ssHTS system uses a large parabolic reflector and an imaging lenses positioned at their focal distances above each sample. A fast LED array sequentially illuminate samples to generate images that are captured with a single camera placed at the focal point of the reflector. This optical configuration allows each sample to completely fill a sensors field of view. Since each LED illuminates a single sample and LED switch times are very fast, images from spatially separated samples can be captured at rates limited only by the camera's frame rate. The system is demonstrated by imaging cardiac monolayer and Caenorhabditis elegans (C. elegans) preparations.

Abstract Functional connectivity (FC) analyses of individuals with autism spectrum disorder (ASD) have established robust alterations of brain connectivity at the group level. Yet, the translation of these imaging findings into robust markers of individual risk is hampered by the extensive heterogeneity among ASD individuals. Here, we report an FC endophenotype that confers a greater than 7-fold risk increase of ASD diagnosis, yet is still identified in an estimated 1 in 200 individuals in the general population. By focusing on a subset of individuals with ASD and highly predictive FC alterations, we achieved a greater than 3-fold increase in risk over previous predictive models. The identified FC risk endophenotype was characterized by underconnectivity of transmodal brain networks and generalized to independent data. Our results demonstrate the ability of a highly targeted prediction model to meaningfully decompose part of the heterogeneity of the autism spectrum. The identified FC signature may help better delineate the multitude of etiological pathways and behavioural symptoms that challenge our understanding of the autism spectrum.

Resting-state functional connectivity is a promising biomarker for Alzheimer’s disease. However, previous resting-state functional magnetic resonance imaging studies in Alzheimer’s disease and mild cognitive impairment (MCI) have shown limited reproducibility as they have had small sample sizes and substantial variation in study protocol. We sought to identify functional brain networks and connections that could consistently discriminate normal aging from MCI despite variations in scanner manufacturer, imaging protocol, and diagnostic procedure. We therefore pooled four independent datasets, including 112 healthy controls and 143 patients with MCI, systematically testing multiple brain connections for consistent differences. The largest effects associated with MCI involved the ventromedial and dorsomedial prefrontal cortex, striatum, and middle temporal lobe. Compared with controls, patients with MCI exhibited significantly decreased connectivity within the frontal lobe, between frontal and temporal areas, and between regions of the cortico-striatal-thalamic loop. Despite the heterogeneity of methods among the four datasets, we identified robust MCI-related connectivity changes with small to medium effect sizes and sample size estimates recommending a minimum of 150 to 400 total subjects to achieve adequate statistical power. If our findings can be replicated and associated with other established biomarkers of Alzheimer’s disease (e.g. amyloid and tau quantification), then these functional connections may be promising candidate biomarkers for Alzheimer’s disease.

Abstract The manner through which individual differences in brain network organization track population-level behavioral variability is a fundamental question in systems neuroscience. Recent work suggests that resting-state and task-state functional connectivity can predict specific traits at the individual level. However, the focus of most studies on single behavioral traits has come at the expense of capturing broader relationships across behaviors. Here, we utilized a large-scale dataset of 1858 typically developing children to estimate whole-brain functional network organization that is predictive of individual differences in cognition, impulsivity-related personality, and mental health during rest and task states. Predictive network features were distinct across the broad behavioral domains: cognition, personality and mental health. On the other hand, traits within each behavioral domain were predicted by highly similar network features. This is surprising given decades of research emphasizing that distinct brain networks support different mental processes. Although tasks are known to modulate the functional connectome, we found that predictive network features were similar between resting and task states. Overall, our findings reveal shared brain network features that account for individual variation within broad domains of behavior in childhood, yet are unique to different behavioral domains.