一种基于序列上下文的方法来分类瘤结构变异,而不需要配对的正常样本
Wolu Chukwu1, Siyun Lee1, Alexander Crane1
1Cancer Program, Broad Institute of MIT and Harvard, Cambridge, MA, USA; Department of Medical Oncology, Dana-Farber Cancer Institute, Boston, MA, USA.
Cell reports methods
|March 13, 2025
概括
这项研究比较了生殖系和癌症结构变异 (SVs),发现了不同的基因组特征. 这些差异使得开发"伟大的GaTSV"分类器能够在瘤样本中区分SV.
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:
- 结构变异 (SV) 在基因组进化和疾病中至关重要.
- 之前的研究分别分析了生殖线和癌症SVs.
- 缺乏对SV基因组背景进行全面的比较.
研究的目的:
- 为了比较生殖线和癌症结构变异的基因组背景.
- 为了确定SV生成过程和选择性压力的差异.
- 开发一种分类器,以区分生殖系与癌症SVs.
主要方法:
- 从963名癌症基因组图谱患者中分析了200万个生殖系和115000个瘤SVs.
- 对 SV 基因组序列和定位特征进行比较.
- 机器学习分类器的开发和验证.
主要成果:
- 在基因组序列和定位特征中观察到的生殖线和癌症SVs之间的显著差异.
- 与转子介导过程相关的生殖系SVs.
- 阴性SV经常表现出色素生成的特征.
- "伟大的GaTSV"分类器准确地区分了生殖系和癌症SVs.
结论:
- 生殖系和癌症的结构变异源于不同的基因组过程.
- 基因组上下文分析是理解SV起源的关键.
- "伟大的GaTSV"分类器有助于在没有匹配的正常数据的情况下在瘤样本中识别SV.
