科研

Science发布涵盖19种癌症类型的体细胞非编码突变图谱

肿瘤发生发展的一个重要标志及内在分子机制是肿瘤细胞基因组中获得了正常组织中不存在的体细胞突变。其中,部分突变被称为驱动突变,能够促进肿瘤细胞的生长或转移。

在过去的十年中,研究人员通过分析数千对肿瘤及正常组织基因组的测序数据,对那些发生在蛋白质编码区域的驱动基因突变进行了全面表征,为肿瘤生物学提供了丰富的信息。然而,体细胞突变在其余98%基因组,即非编码基因组区域中的作用仍未完全了解。

为了解决这些非编码区域的特定挑战,近日,哈佛医学院研究团队在Science杂志上发表了题为“Genome-wide analysis of somatic noncoding mutation patterns in cancer”的文章。研究团队开发了一种全基因组检测方法,能够在整个癌症基因组中识别点突变、小片段插入和缺失等体细胞突变事件,但不包括其在基因组中的位置或对蛋白质编码序列的影响。基于该策略,研究团队建立了包括19种癌症类型的3949名患者全基因组水平的突变事件概况图谱,并根据突变事件在基因组中的位置自动划分为不同类别。该研究为建立体细胞非编码区域突变与肿瘤进展的关联性提供了宝贵的数据资源,也为将来针对非编码癌症基因组的治疗方案的开发奠定基础。

文章发表在Science

主要研究内容

癌症基因组体细胞突变的全基因组检测

为在全基因组层面检测和进行体细胞突变分类,研究人员首先进行了三个互补的交叉检测,包括基于其表观基因组信号确定一个基因组区域是否包含比预期更多的突变,比较每个区域不同癌症类型之间的突变数目以及是否存在突变聚集在一起的现象。其次,研究人员将上述三个互补的交叉检测结果整合成一个联合的全基因组信号,并确定显著的突变事件。最后根据基因位置对突变事件进行分类。

图1. 全基因组层面检测体细胞突变事件示意图,来源:Science

研究团队最终从3949个全基因组数据中鉴定到6.12 × 107个体细胞突变。其中,编码区体细胞突变142个;围绕组织特异性基因的70个事件,即那些仅在特定癌症类型中表达的体细胞突变,如肝脏中的ALB、前列腺中的KLK3等;87个确切作用未明的“其他”体细胞突变。

图2. 体细胞突变事件整体分析及分类结果,来源:Science

组织特异性基因突变和表达模式的表征

研究人员更加深入地研究了组织特异性基因附近或内部的突变模式。在肝癌的突变分析中发现,组织特异性基因周围的非编码区富含插入和缺失突变,并且这些片段长于基因组其他部分的插入和缺失突变。此外,这些突变在A/T富集的核苷酸环境中累积。
图片

图3. 组织特异性基因突变特征分析,来源:Science

鉴于组织特异性基因突变表现出组织特异性表达、在肿瘤细胞中的表达低于正常细胞以及其在各自组织中的重要生理作用,因此研究人员假设这些事件可能与肿瘤发生的细胞起源。与该假设一致的是,许多组织特异性基因在正常组织的单细胞数据中异质性表达,特别是那些发生突变的基因。因此,上述分析结果在肿瘤基因组的局部突变模式、批量表达数据中的组织特异性表达和相关正常组织的单细胞数据中的异质性表达之间建立了一个普遍的、互通的联系。

图4. 组织特异性基因突变特征,来源:Science

启动子和增强子区域突变事件的评估

通过评估调控启动子和增强子区域的非编码突变事件发现,在表达调控区域中,每种癌症类型约有3.8个非编码突变,其中许多涉及癌症相关基因,如BCL6、FGFR2、XBP1等。
值得注意的是,与大多数调控区域的事件相反,XBP1附近的乳腺癌突变主要聚集在其启动子外的一个调控区域。通过CRISPR干扰筛选和荧光素酶报告基因分析验证了其对基因表达的调节作用,阐明了与基因组测序队列配对的全基因组实验方法的潜力,提示其可用于全面捕获非编码基因组中已知和未知元素的突变模式。
图片

图5. 启动子和增强子区域突变事件的评估,来源:Science

结语 

综上所述,该研究构建形成了包括19种主要癌症类型基因组在内不同突变模式的全基因组概况图谱。研究结果表明,非编码突变与广泛的不同生物学过程相关,其在基因组中的位置对功能注释至关重要。该研究也为全面解释全基因组测序数据提供了蓝图,并为未来研究非编码突变在肿瘤发展中的作用奠定了基础,最终为非编码癌症基因组的转化研究和靶向治疗铺平道路。
图片

图6. 研究总结概图,来源:Science

文章第一作者兼通讯作者Felix Dietlein博士表示:“研究非编码突变近年来才得到领域的重视,研究人员正开始梳理非编码突变在癌症发展中可能发挥的作用,并证明传统调控区域以外的突变,即非编码突变可以在肿瘤发展中扮演重要角色。新基因突变一直是激发新的癌症疗法发展的主要推进器,因此该研究也可能有助于推进新疗法和药物研发的新方向。”

参考资料:
1.Dietlein F et al., Genome-wide analysis of somatic noncoding mutation patterns in cancer. Science. 2022 Apr 8;376(6589):eabg5601.
2. E. Rheinbay et al., Analyses of non-coding somatic drivers in 2,658 cancer whole genomes. Nature 578, 102–111 (2020).
3. V. Tam et al., Benefits and limitations of genome-wide association studies. Nat. Rev. Genet. 20, 467–484 (2019).
(0)

本文由 SEQ.CN 作者:白云 发表,转载请注明来源!

热评文章