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

在加州大學洛杉磯分校領導的一項新研究中，研究人員揭示了癌癥進化背后的復雜過程，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》雜志上，詳細介紹了新的在線資源，這些資源可以幫助科學家選擇分析腫瘤演變的最佳算法，提高診斷準確性和治療計劃。

圖1 戊型肝炎病毒復制的宿主和病毒衍生插入物的遺傳決定因素

了解腫瘤的進化對治療癌癥至關重要。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。

為了更好地測量進化過程，科學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，并為診斷和治療策略提供有價值的見解。

這種方法涉及復雜的數(shù)學和計算機算法，已成為更好地理解和跟蹤癌癥進化過程的重要工具。然而，為了這項任務，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)成為更廣泛臨床應用的障礙。

加州大學洛杉磯分校大衛(wèi)·格芬醫(yī)學院人類遺傳學計算生物學家、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進行優(yōu)化，這可以幫助正在開發(fā)這些算法的科學家，以及將這些算法應用于自己研究的人，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最準確，Salcedo和加州大學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體細胞突變召喚-腫瘤異質(zhì)性和進化挑戰(zhàn)。世界各地的研究小組使用云計算對腫瘤進化的七個不同方面進行基準測試，總共進行了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上都表現(xiàn)最好，組合多種算法的標準方法并沒有顯著提高準確率。

圖2 充滿挑戰(zhàn)的設計

加州大學洛杉磯分校大衛(wèi)·格芬醫(yī)學院泌尿?qū)W和人類遺傳學教授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測癌癥進化的復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，該團隊提供了在線工具，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。 該團隊目前正在努力找出現(xiàn)有技術可以改進的地方，以更好地代表癌細胞的持續(xù)變化，并制作更好的癌癥進化模擬器。還需要指導在哪些方面需要新的人工智能來提高測量癌癥進化的能力。 Boutros說:“通過創(chuàng)新的計算方法揭示腫瘤動力學的復雜性，我們可以預測癌癥的發(fā)展方向。通過了解它的去向，我們可以設計出阻止癌癥變得致命的治療方法。” Boutros還擔任加州大學洛杉磯分校David Geffen醫(yī)學院的臨時研究副院長，加州大學洛杉磯分校精確健康研究所癌癥信息學副主任，并且是Eli和Edythe Broad再生醫(yī)學和干細胞研究中心的成員。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