SVCFit: 在瘤中推断结构变异细胞分数

科学领域:

• 基因组学就是基因组学.
• 癌症生物学 癌症生物学
• 生物信息学是一种生物信息学.

背景情况:

• 瘤进化是由细胞突变和选择驱动的,导致亚克隆争夺主导地位.
• 结构变异 (SV) 提供了对瘤演变,基因组不稳定性和晚期瘤发展的见解.
• 准确识别和量化亚克隆对于理解瘤异质性至关重要.

研究的目的:

• 介绍SVCFit,一种可扩展的计算方法,用于估计体质结构变异 (删除,重复,反转) 的细胞流行率.
• 通过结合不同类型的SV不同读取模式来证明细胞患病率估计的准确性提高.
• 用模拟数据和来自患者的转移样本来验证SVCFit的性能.

主要方法:

• 开发了SVCFit,这是一个可扩展的算法,用于估计体质删除,重复和反转的细胞流行率.
• 整合了针对每个结构变体类型的独特读取模式,以提高估计准确度.
• 在模拟数据集和真实患者转移样本上验证了该方法,其混合比例已知.

主要成果:

• 与最先进的方法相比,SVCFit显著提高了结构变异细胞流行率估计的准确性 (p<0.05).
• 该方法实现了高精度,不需要事先了解瘤纯度,克服了不准确的纯度估计的局限性.
• 在模拟和现实癌症基因组数据中,SVCFit表现出强大的性能.

结论:

• SVCFit为基于结构变异的克隆重建提供了更准确和更容易获得的方法.
• SVCFit的可扩展性和速度使其适合使用具有成本效益的批量全基因组测序 (WGS) 进行大型队列分析.
• 这一进步增强了研究瘤进化,基因组不稳定性和癌症亚克隆架构的研究.