随着高通量测序技术的不断普及与发展，测序的成本随之降低，基于DNA测序技术的肿瘤基因组研究已成为揭示肿瘤发生、发展机制的主流方法。研究人员在肿瘤中已经发现并明确了多种多样的体细胞和遗传细胞的重要突变，包括各种形式的点突变，小片段的插入缺失，拷贝数变异等结构变异等。今天，小编给大家带来的是癌症的真相系列专题之肿瘤基因组体细胞突变方面的概述以及体细胞突变检测方法的相关介绍。
癌症的基本特征
癌症的遗传异质性
基因组的不稳定性促进了癌细胞中突变的积累，并导致癌症基因组的快速进化，以响应进化期间发生的肿瘤微环境和治疗诱导的相关应激。检测和表征这些肿瘤体细胞突变特别是驱动突变成为解析肿瘤发生和发展的重要手段，最终可针对特定癌症患者选择有效的精准治疗方案。近年来，大量全基因组和全外显子组项目的分析数据已基本阐明大多数常见癌症的突变情况，并揭示出癌症基因组的功能和结构特征[1]。
值得注意的是肿瘤异质性的两个假说： cancer stem cell (CSC) hypothesis和 clonal evolution/selection model
肿瘤异质性形成过程
1.1 体细胞vs胚系突变
文献提到的绝大多数癌症的突变都是体细胞突变。大约90％的癌基因显示有体细胞突变，20％的显示有胚系突变，而10％的显示共有体细胞和胚系突变[2]。通常文献说胚系突变其实是想说的病理性的胚系突变。一些体细胞突变，比如在TERT和TP53基因上发生的突变，则频繁发生在癌症谱系中，而其他突变则可能更具组织特异性。与胚系突变相比，体细胞畸变显示出更加多样化的模式，包括复杂的基因组重排。这可能是由于体细胞中进化受到的限制减少，只需发生在细胞亚群中的突变能适应其生存即可，而胚系遗传突变则不同，其在整个发育过程中几乎存在于全身所有的细胞。癌症通常被认为是遗传不稳定和自然选择的进化过程，通过体细胞突变持续不断地累积来驱动[3]。这种在肿瘤进展过程中持续的体细胞进化又促进了其遗传的异质性和非受控的增值[4]。
1.2 驱动vs乘客突变
癌症变异的检测主要是通过基因分型测序。实际上，通过测序已经鉴定了编码区中超过300万个独立的变异，其中只有一小部分在功能上被注释。重要的是，并非所有基因变异都与肿瘤进展相关。体细胞的突变可分为两种类型，驱动型和乘客型突变可用癌症中的因果事件和随机事件来加以区分[5]。驱动型突变为肿瘤在微环境中的克隆增值提供选择性优势，但并非在整个肿瘤进化过程中均维持肿瘤生长。而乘客型突变的本质是非受控增值过程中的副产品，可造成DNA错配修复失败，并不参与选择过程，也不随意参与肿瘤的发生和进展。
02
体细胞突变的检测
研究表明，肿瘤基因组的变异主要包括点突变(SNV)，插入/缺失(indel)，拷贝数变异(CNV)以及结构变异(SV)。
体细胞突变的检测主要是通过联合分析配对肿瘤和正常样本序列，从而检测出肿瘤DNA上发生的SNV和indel突变。
2.1 突变检测存在的挑战
影响体细胞突变检测的因素较多，比如样本降解、遗传异质性和样本污染等。此外，测序过程中引入的测序误差、序列重排引入的比对误差以及测序深度的不足，也会给变异位点的检测带来相当大的挑战[7]。研究发现，测序深度会显著影响检测效果，为了提高体细胞突变的检测性能，需要有足够的测序深度，一般推荐全基因组测序的覆盖度为30-60X，全外显子测序为100-150X，而目标区域的靶向测序则通常在200-2000X的覆盖度下进行[6]。
2.2 检测软件原理介绍及比较
小编整理并汇总了目前已有的大部分检测体细胞突变的软件，见下表：
体细胞突变相关软件介绍[7,8,9]
变异检测性能比较[9]
通过变异检测性能比较发现，主流软件Mutect2准确性上表现较低，引入较多的假阳性结果，但召回率较高，能检测到更多真实的突变。同时，针对低测序深度样本，Mutect2表现较佳。而当肿瘤纯度较低时，Strelka具有较好的表现[7]。同时，最新报道的两款软件Strelka2[8]与Lancet[9]测评结果亦表现不俗。至于如何选择合适的软件，小编建议可根据研究目的，结合各检测软件算法的不同特点，选择多种软件方法组合的方式，从而获得更多更准确的候选位点，将会是一个不错的选择。
多算法整合检测体细胞策略
03
参考文献
[1] Yi, Song, Shengda Lin, Yongsheng Li, et al. Functional Variomics and Network Perturbation: Connecting Genotype to Phenotype in Cancer. Nature Reviews. Genetics 2017,18(7): 395–410.
[2] Futreal PA, Coin L, Marshall M, et al. A census of human cancer genes. Nat Rev Cancer. 2004 Mar; 4(3):177-83.
[3] Cairns J. Mutation selection and the natural history of cancer. Nature. 1975 May 15; 255(5505):197-200.
[4] Greaves M, Maley CC. Clonal evolution in cancer. Nature. 2012 Jan 18; 481(7381):306-13.
[5] Stratton MR, Campbell PJ, Futreal PA. The cancer genome. Nature. 2009 Apr 9; 458(7239):719-24.
[6] Garraway LA, Lander ES. Lessons from the cancer genome. Cell. 2013 Mar 28; 153(1):17-37.
[7] 李晓东,何小雨,陈玮,等. 四种肿瘤体细胞单核苷酸突变检测方法的比较. 科研信息化技术与应用. 2017,8(6):77-87.
[8] Kim S1, Scheffler K1, Halpern AL, et al. Strelka2: fast and accurate calling of germline and somatic variants. Nat Methods. 2018 Aug;15(8):591-594.
[9] Giuseppe Narzisi, André Corvelo1, Kanika Arora, et al. Lancet: genome-wide somatic variant calling using localized colored DeBruijn graphs. BioRxiv. 2017 Sep 30.
END
联系客服
