从空间分辨的转录组学推断基因特异性拷贝数异常和瘤类地形学
Cong Ma1, Metin Balaban1, Jingxian Liu2,3
1Department of Computer Science, Princeton University, Princeton, NJ, USA.
Nature methods
|October 31, 2024
概括
CalicoST从空间转录学数据中推断出副本数异常和瘤演变. 这种新的算法准确地重建了癌症类地形,揭示了前列腺癌中镜像子克隆事件.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 在癌症研究中,了解穿越空间和时间的瘤体质演变至关重要.
- 空间解析转录组学 (SRT) 提供基因表达数据,但不能直接识别基因组异常.
- 现有的方法难以捕捉复杂的基因组变化和空间进化模式.
研究的目的:
- 介绍CalicoST,一种新的算法,用于从SRT数据同时推断基因特异性拷贝数异常 (CNA) 和空间瘤类地形.
- 为了能够检测到CNAs,如复制中性的异构性损失和镜像亚克隆CNAs,这些CNAs被总复制数分析遗漏.
- 重建瘤的3D空间演变,并确定瘤组织内的遗传分歧.
主要方法:
- 开发了CalicoST,这是一个将SRT数据与CNA推断和原始地理重建集成的算法.
- 应用CalicoST来分析基因表达,并从SRT数据集中推断基因组异常.
- 使用来自人类瘤图拉斯网络的9个患者数据集和来自前列腺癌器官的多切片SRT数据验证了CalicoST.
主要成果:
- 在推断CNA和植物地理学方面,CalicoST的平均准确率为86%,比现有方法高出约21%.
- 成功重建了两个患有多个相邻SRT切片的患者的3D瘤类地形.
- 在前列腺瘤的相反侧面识别了镜像的亚克隆CNA,在遗传和物理空间中展示了分裂的类地形.
结论:
- 卡利科ST是一个强大的工具,用于分析瘤进化和基因组景观使用SRT数据.
- 该算法增强了对癌症异质性和空间动态的理解.
- 卡利科ST能够检测到以前看不见的CNA并重建3D族谱的能力为癌症研究和个性化医学开辟了新的途径.
