[论文解读] Learning mutational graphs of individual tumor evolution from multi-sample sequencing data

Daniele Ramazzotti, Alex Graudenzi+3 more|arXiv (Cornell University)|Sep 4, 2017

Cancer Genomics and Diagnostics被引用 4

一句话总结

TRaIT 是一种统一的统计框架，能够从多区域测序和单细胞测序数据中推断肿瘤进化过程中基因组改变的顺序，显式建模无限位点假设的违反情况，例如趋同进化。与最先进的系统发育方法相比，它在准确性、抗噪声能力和小样本表现方面均表现出色，从而实现了对肿瘤内异质性的更精确量化，并生成可检验的假设。

ABSTRACT

Phylogenetic techniques quantify intra-tumor heterogeneity by deconvolving either clonal or mutational trees from multi-sample sequencing data of individual tumors. Most of these methods rely on the well-known infinite sites assumption, and are limited to process either multi-region or single-cell sequencing data. Here, we improve over those methods with TRaIT, a unified statistical framework for the inference of the accumula- tion order of multiple types of genomic alterations driving tumor development. TRaIT supports both multi-region and single-cell sequencing data, and output mutational graphs accounting for violations of the infinite sites assumption due to convergent evolution, and other complex phenomena that cannot be detected with phylogenetic tools. Our method displays better accuracy, performance and robustness to noise and small sample size than state-of-the-art phylogenetic methods. We show with single-cell data from breast cancer and multi-region data from colorectal cancer that TRaIT can quantify the extent of intra-tumor heterogeneity and generate new testable experimental hypotheses.

研究动机与目标

• 解决现有系统发育方法依赖无限位点假设的局限性，并无法处理趋同进化等复杂进化现象的问题。
• 开发一种统一框架，能够分析多区域和单细胞测序数据，用于推断肿瘤进化。
• 与最先进的系统发育方法相比，提升准确性、抗噪声能力和小样本表现。
• 生成考虑无限位点假设违反情况及其他复杂进化动态的突变图谱。
• 实现对肿瘤内异质性的量化，并从真实测序数据中生成可检验的实验假设。

提出的方法

• TRaIT 采用统一的统计框架，推断肿瘤进化过程中多种基因组改变的累积顺序。
• 利用考虑趋同进化及其他违反无限位点假设现象的贝叶斯图模型对进化过程进行建模。
• 在单一推断流程中整合多区域和单细胞测序数据，实现在不同数据类型间的一致分析。
• 采用基于似然的推断方法，从观测到的突变谱中估计最可能的突变图结构。
• 通过统计建模测序错误和抽样变异性，实现不确定性量化和对噪声的鲁棒性。
• 该框架支持推断超越简单克隆或突变树的复杂突变图谱，能够捕捉非线性进化轨迹。

实验结果

研究问题

• RQ1 统一框架能否在考虑复杂进化动态的前提下，准确地从多区域和单细胞测序数据中推断肿瘤进化？
• RQ2 TRaIT 在准确性、抗噪声能力和小样本表现方面与最先进的系统发育方法相比如何？
• RQ3 TRaIT 在真实肿瘤测序数据中，能在多大程度上检测并建模无限位点假设的违反情况，例如趋同进化？
• RQ4 TRaIT 能否生成具有生物学意义的突变图谱，揭示肿瘤内异质性的新见解并提出可检验的假设？
• RQ5 TRaIT 在真实世界数据集（如乳腺癌单细胞测序和结直肠癌多区域测序数据）中，重建肿瘤进化历史的能力如何？

主要发现

• 与最先进的系统发育方法相比，TRaIT 在推断突变图谱方面表现出更优的准确性，尤其在涉及复杂进化动态的情境下。
• 该方法对噪声具有更强的鲁棒性，并在小样本规模下表现更优，适用于具有挑战性的临床测序数据集。
• TRaIT 有效建模了无限位点假设的违反情况，例如趋同进化，而这些现象在标准系统发育工具中无法检测。
• 在单细胞乳腺癌数据中，TRaIT 比现有方法更有效地量化了肿瘤内异质性，揭示了复杂的亚克隆结构。
• 在多区域结直肠癌数据中，TRaIT 生成的突变图谱为肿瘤进化提出了新的、可检验的实验假设。
• 该框架生成的突变图谱具有生物学合理性，能够捕捉超越传统树状模型范围的非线性进化轨迹。