摘要：研究人員揭示了癌癥進(jìn)化背后的復(fù)雜過程，并定義了分析腫瘤基因組成的最佳算法。

在加州大學(xué)洛杉磯分校領(lǐng)導(dǎo)的一項新研究中，研究人員揭示了癌癥進(jìn)化背后的復(fù)雜過程，并定義了分析腫瘤基因組成的最佳算法。

研究結(jié)果發(fā)表在《自然生物技術(shù)》雜志上，詳細(xì)介紹了新的在線資源，這些資源可以幫助科學(xué)家選擇分析腫瘤演變的最佳算法，提高診斷準(zhǔn)確性和治療計劃。

圖1 戊型肝炎病毒復(fù)制的宿主和病毒衍生插入物的遺傳決定因素

了解腫瘤的進(jìn)化對治療癌癥至關(guān)重要。具有更多遺傳多樣性的腫瘤往往更難治療，更有可能抵抗治療。特定突變發(fā)生的時間也會影響治療的效果。

為了更好地測量進(jìn)化過程，科學(xué)家們使用亞克隆重建算法來分析來自腫瘤的DNA測序數(shù)據(jù)，從而更好地了解癌癥如何開始，生長和對治療的反應(yīng)，并為診斷和治療策略提供有價值的見解。

這種方法涉及復(fù)雜的數(shù)學(xué)和計算機(jī)算法，已成為更好地理解和跟蹤癌癥進(jìn)化過程的重要工具。然而，為了這項任務(wù)，已經(jīng)開發(fā)了幾十種算法，直到現(xiàn)在，還不清楚哪些是最準(zhǔn)確的，什么時候能很好地工作。這種不確定性已經(jīng)成為更廣泛臨床應(yīng)用的障礙。

加州大學(xué)洛杉磯分校大衛(wèi)·格芬醫(yī)學(xué)院人類遺傳學(xué)計算生物學(xué)家、該研究的第一作者之一Adriana Salcedo說:“不同算法的亞克隆重建結(jié)果差異很大。我們希望能夠更好地了解實驗和算法選擇如何針對手頭的特定任務(wù)進(jìn)行優(yōu)化，這可以幫助正在開發(fā)這些算法的科學(xué)家，以及將這些算法應(yīng)用于自己研究的人，這樣他們就可以為自己的目的選擇最好的算法，然后反過來可以以更明智的方式解釋結(jié)果。”

為了了解哪種算法對不同的任務(wù)最準(zhǔn)確，Salcedo和加州大學(xué)洛杉磯分校的其他研究人員組成了一個全球聯(lián)盟。該小組發(fā)起了一項為期7年的努力，名為ICGC-TCGA DREAM體細(xì)胞突變召喚-腫瘤異質(zhì)性和進(jìn)化挑戰(zhàn)。世界各地的研究小組使用云計算對腫瘤進(jìn)化的七個不同方面進(jìn)行基準(zhǔn)測試，總共進(jìn)行了12061次分析。

通過分析這些數(shù)據(jù)，Salcedo發(fā)現(xiàn)只有少數(shù)腫瘤特征會顯著影響重建算法的準(zhǔn)確性。雖然測序數(shù)據(jù)質(zhì)量和腫瘤純度等實驗因素也有一定影響，但在決定準(zhǔn)確性方面，算法的選擇比腫瘤本身的特征更重要。

他們還發(fā)現(xiàn)，沒有一種算法在所有任務(wù)上都表現(xiàn)最好，組合多種算法的標(biāo)準(zhǔn)方法并沒有顯著提高準(zhǔn)確率。

圖2 充滿挑戰(zhàn)的設(shè)計

加州大學(xué)洛杉磯分校大衛(wèi)·格芬醫(yī)學(xué)院泌尿?qū)W和人類遺傳學(xué)教授Paul Boutros說:“我們很驚訝，算法本身如此重要。這為研究人員如何轉(zhuǎn)化研究、臨床試驗并最終完全預(yù)測癌癥進(jìn)化的復(fù)雜性提供了直接的實用見解。” 由于不同的算法最適合亞克隆重建的不同子任務(wù)，該團(tuán)隊提供了在線工具，幫助用戶根據(jù)他們的數(shù)據(jù)集和感興趣的問題選擇最合適的算法。 該團(tuán)隊目前正在努力找出現(xiàn)有技術(shù)可以改進(jìn)的地方，以更好地代表癌細(xì)胞的持續(xù)變化，并制作更好的癌癥進(jìn)化模擬器。還需要指導(dǎo)在哪些方面需要新的人工智能來提高測量癌癥進(jìn)化的能力。 Boutros說:“通過創(chuàng)新的計算方法揭示腫瘤動力學(xué)的復(fù)雜性，我們可以預(yù)測癌癥的發(fā)展方向。通過了解它的去向，我們可以設(shè)計出阻止癌癥變得致命的治療方法。” Boutros還擔(dān)任加州大學(xué)洛杉磯分校David Geffen醫(yī)學(xué)院的臨時研究副院長，加州大學(xué)洛杉磯分校精確健康研究所癌癥信息學(xué)副主任，并且是Eli和Edythe Broad再生醫(yī)學(xué)和干細(xì)胞研究中心的成員。該研究的另一位資深作者是MD安德森癌癥中心的Peter Van Loo。該研究的另一位共同第一作者是弗朗西斯·克里克研究所的馬克西姆·塔拉比奇。

[1] Crowd-sourced benchmarking of single-sample tumor subclonal reconstruction