Nature子刊肿瘤依赖性图谱，这发文效果比AK还难压

Nature子刊肿瘤依赖性图谱，这发文效果比AK还难压 by 生信人

癌症基因组图谱（TCGA）是详细描述癌症发病过程中发生的遗传，表观遗传和分子变化的概要，但它缺乏基因依赖性分析来解读患者肿瘤中基因的本质。今天，小编要和大家分享一篇2024年7月发表在Nature Cancer（IF：23.5）上的文章，使用机器学习构建了患者肿瘤的基因依赖性图谱，从而确定预测药物反应和疾病结果的肿瘤脆弱性。该图谱可以通过基于Web的交互式应用程序（https：//xushiabbvie.shinyapps.io/TDtool/）进行访问。

添加微信

精彩推送不错过

一、研究背景

理解肿瘤依赖性的一种方法是通过全基因组遗传和化学扰动数据集（例如DEPMAP），与数千个深度表征的癌症模型（例如，Cancer Cell Line Encyclopedia，PDX Encyclopedia）整合。多项研究已经证明了DEPMAP将基因观察结果转化为治疗靶点的能力以及对肿瘤依赖性的更广泛的功能理解。但是像TCGA这种来源于患者的数据集通常不适合功能实验。然而来源于DEPMAP的结果也不能完全映射TCGA，因为培养皿中的同质细胞系不能复制完整肿瘤微环境的病理生理学复杂性。

因此，本文通过基于细胞的DEPMAP中基因重要性的机器学习构建了一个混合依赖性图谱（TCGADEPMAP），实现了TCGA的患者相关可转化性，揭示了预测治疗反应和患者结局的肿瘤脆弱性，并进一步扩展到患者来源的异种移植物的依赖性图谱（PDXEDEPMAP）和健康组织的依赖性图谱（GTEXDEPMAP）。

二、研究主要结果

1.构建TCGADEPMAP

1.1基因重要性的预测建模

首先，使用弹性网络正则化，在来自DEPMAP的全基因组CRISPR-Cas9敲除筛选数据集的全基因组基因表达、突变和拷贝数谱数据集上，训练基因必要性的预测模型（图1a），最终得到了两组用于预测7,260个基因的必要性的弹性网络模型，包括单独使用RNA（仅表达）或与突变和拷贝数谱（多组学）组合弹性网络模型。经过十重交叉验证后，二者在检测癌症的选择性脆弱性方面表现都很出色。

图1. DEPMAP中基因重要性的预测建模。

1.2构建TCGADEPMAP

随后，将DEPMAP依赖性的基于表达的预测模型用于9,596名TCGA患者的转录组学谱的转置，得到了TCGADEPMAP，以解释具有不同基质含量的细胞系和肿瘤活检组织的表达谱之间的差异（图2a）。经过使用来自Cosmic Cancer Gene Census（https：//cancer.sanger.ac.uk/census）的100个交叉验证的癌基因模型，支持了TCGADEPMAP预测肿瘤谱系和癌基因依赖性的准确性。

图2. 构建TCGADEPMAP

2.应用TCGADEPMAP

2.1TCGADEPMAP中的谱系依赖性

接下来，将NormLRT分别应用于TCGADEPMAP和DEPMAP比较了癌症患者和细胞模型中的强选择性依赖性（SSD）。大多数SSD（NormLRT > 100）在TCGADEPMAP和DEPMAP之间具有良好的相关性，而不相同的则是一些有趣的提示，例如TCGADEPMAP BRCA患者高度依赖PTPN11，而在BRCA细胞系中却不存在这种SSD，说明可能是由于患者肿瘤的3D背景（图3）。因而，识别SSD可能会受到患者和细胞模型中潜在驱动因素的不同患病率和分布的影响。

2.2TCGADEPMAP中的临床表型和结局

接下来，利用TCGADEPMAP评估基因必要性对临床相关表型的影响，如分子亚型、治疗反应和患者结局。首先，以BRCA为例，使用TCGADEPMAP BRCA队列对100个最可变的基因依赖性（DEP100）进行无监督聚类，发现分类BRCA亚型时表现优于已建立的PAM50标签。其次，在9个可访问的肿瘤依赖性分子治疗的临床数据集中，发现七个显著预测了临床反应。最后，在TCGADEPMAP中测试了交叉验证的基因必要性模型与无进展间隔（PFI）的关联（图3）。

图3. 将TCGADEPMAP转化为临床相关表型和结果

2.3TCGADEPMAP中的合成致死率

合成致死性指由于两种或多种基因的缺陷共同导致细胞死亡而引起的情况，而只有一种基因的缺陷不会导致细胞死亡。因此，接下来结合基因必要性谱的Lasso回归分析，评估了TCGADEPMAP中具有功能丧失（LOF）事件（破坏性突变或缺失）的预测合成致死性的可能性，筛选出共604个合成致死对，包括许多已知的合成致死对（例如，STAG1/STAG2、SMARCA2/SMARCA4和EP300/CREBBP）和先前未测试的合成致死候选物。通过使用多重CRISPR/AsCas 12 a筛选方法在五种癌症谱系的代表性细胞模型中通过实验验证604个合成致死对，共有78个（13%）在至少一个代表性细胞模型中得到实验验证（图4）。进一步的，在细胞系和动物水平上特别验证了PAPSS1/PAPSS2这一合成致死对（图5）。

图4. 使用TCGA DEPMAP 来翻译人类癌症中的合成致死率

图5. PAPSS1/2是通过TCGADEPMAP检测的新的合成致死旁系同源物

3.对TCGADEPMAP的扩展

3.1构建PDXEDEPMAP

除了构建TCGADEPMAP 之外，使用PDX Encyclopedia应用类似的方法生成了PDXEDEPMAP（图6a）。通过对基因必要性的无监督聚类分析，验证了PDXEDEPMAP 执行了与TCGADEPMAP 相同的功能，并且具有良好的功效来检测PDX模型中的基因必要性信号。此外，PDXEDEPMAP的独特优势是能够在5种癌症谱系和15种分子疗法的治疗反应背景下评估基因重要性。因此，接下来测试了基因必要性预测对相应靶向治疗的反应的能力，揭示了80%的药物（15种中的12种）与靶基因的预测必要性显著相关，突出了PDX建模对患者相关临床结果的可转化性。

图6. 在患者来源的异种移植物中构建PDXEDEPMAP

3.2构建GTEXDEPMAP

本研究的最终目的是在健康组织的背景下定义基因的必要性，这将为优先考虑具有最佳预测耐受性的肿瘤依赖性提供资源。因此，使用来自GTEX的表达数据集构建了GTEXDEPMAP（图7a）。为了评估GTEXDEPMAP对低耐受性依赖性的敏感性，比较了报告有肝脏和血液毒性的药物（n = 241）的分子靶点（图7b）。同样，对基因必要性模型的无监督聚类揭示了健康器官中强烈的组织来源依赖性（图7c）。总之，这些数据表明GTEX DEPMAP 对已知的毒性敏感，这些毒性聚集在不同的健康器官类型周围。

最后，通过比较TCGADEPMAP 与GTEXDEPMAP 中已知的可药物化癌基因的必要性评分，揭示了恶性组织与健康组织来源的更大依赖性。例如，KRAS和BRAF的必要性同时依赖于谱系和遗传驱动因素（图7d，e）。进一步，找出了所有在肿瘤依赖性和健康来源组织耐受性方面具有显著差异的致癌途径（图7f，补充表17），包括氧化磷酸化的失调和线粒体翻译途径。结合起来，这些观察结果表明，在驱动突变的背景下预测的基因必要性和来源的健康组织内相应的低必要性可能鉴定具有可接受耐受性的有效药物靶标。

图7. 在正常组织中构建GTEXDEPMAP

三、研究小结

到这里文章的主要内容就介绍完了。总的来说，作者使用深度学习以及TCGA患者、PDXE患者、GTAX健康人和DEPMAP细胞系的基因组、表观基因组和转录组图谱来构建了一个更具有临床意义的肿瘤依赖性图谱，极大地增加了药物发现的成功率。好消息是，作者提供了一个基于Web的交互式应用程序（https：//xushiabbvie.shinyapps.io/TDtool/），用于广大科研人员探索和可视化数据。

参考文献

Shi, X., Gekas, C., Verduzco, D. et al. Building a translational cancer dependency map for The Cancer Genome Atlas. Nat Cancer (2024). https://doi.org/10.1038/s43018-024-00789-y.

添加微信

精彩推送不错过

最新文章汇总（持续更新ing）

最新热点方向

1、今天开心，安利一个超好发版干湿结合思路

2、掌握孟德尔随机化发20分不是梦

3、研究中草药难发SCI？

4、公开数据纯分析发7+，内容不卷赢在选题

5、人手一篇的“淋巴转移”，摇身一变50+

生信人课堂

1、临床医生科研规划

2、热点基因集预后实操课程