英文标题:The somatic mutation profiles of 2,433 breast cancers refine their genomic and transcriptomic landscapes
中文标题:2433例乳腺癌的体细胞突变概况改进了它们的基因组和转录组学图景
期刊:《Nat Commun》
影响因子:12.121 发表时间:2016-05-10
研究领域:体细胞突变 乳腺癌
DOI号: 10.1038/ncomms11479
研究人员对2433例具有拷贝数畸变(CNA)、基因表达和长期临床随访数据的原发性乳腺癌患者的173个基因进行测序。确定了40个突变驱动基因(Mut-driver),并且确定了mutations,driver CNA profiles,clinical-pathological parameters 和生存率之间的关系。研究人员评估Mut-driver突变的克隆状态,并使用突变等位基因分数估计肿瘤内异质性水平。
结果发现,PIK3CA突变与ER-positive的三个亚组(17q23、11q13-14或8q24扩增)中生存率降低之间的相关性。高水平的肿瘤内异质性通常与较差的预后相关,但研究人员发现11q13-14扩增的高侵袭性肿瘤具有较低水平的肿瘤内异质性。
乳腺癌的临床描述:
乳腺癌具有患者间与同一患者肿瘤内的基因组变异性。以患者间的异源性分类早期乳腺癌生物亚型,现在临床对乳腺癌患者通常是观察 morphological assessment (size, grade, lymph node status) ,或者检查,ER,PR,HER2 等marker,目前的亚型主要是以下:
Pereiral等通过测序2433例乳腺癌样本的173个基因,发现40个肿瘤抑制基因和癌基因的驱动基因(多重驱动),这些基因参与的生物学过程包括:
并且发现ER+乳腺癌患者PI3K突变与不同的生存相关。
performed an integrated analysis of somatic copy number aberrations (CNAs) and gene expression profiles in 2,000 primary tumours (METABRIC)
原始数据:EGAS00001001753(需要申请才可下载)
METABRIC,国际乳腺癌协会的分子分类数据库(Molecular Taxonomy of Breast Cancer International Consortium) ,将基因数据(基因表达的数目和基因表达变异)与长期的临床结果相结合。
测序:Illumina
校准和质控:The sequenced reads were aligned with Novoalign, and the resulting BAM files were preprocessed using the GATK Toolkit. Sequencing quality statistics were obtained using the GATK’s DepthOfCoverage tool and Picard’s CalculateHsMetrics.
质控要求:Samples were excluded if <25% of the targeted bases were covered at a minimum coverage of 50×.
值得注意的是:All reads with a mapping quality < 70 were removed prior to calling.
其它策略包括:
2433例乳腺肿瘤中173个基因的突变情况
研究人员对2433例原发性乳腺癌中173个基因的外显子进行了测序,共鉴定了32,476个体细胞突变,其中有13,084个预计会影响蛋白序列。

突变仍然是以 PIK3CA (coding mutations in 40.1% of the samples) and TP53 (35.4%) 为主。
其次就只有5个基因突变超过10%的样本了,分别是:MUC16 (16.8%); AHNAK2 (16.2%); SYNE1 (12.0%); KMT2C (also known as MLL3; 11.4%) and GATA3 (11.1%) ,但是MUC16 本身的背景噪音太大,不适合二代测序。

病理性的germline突变情况:
比率测定法鉴定了40个Mut-driver基因
研究人员使用 Vogelstein et al 提出的方法寻找mut-driver基因。该方法来源于观察特征明确的驱动基因的突变模式,并根据其所包含的复发(recurrent)突变或失活(inactivating)突变的比例识别候选致癌基因和肿瘤抑制基因。其中recurrent突变包括:nonsynonymous SNVs,in-frame indels,oncogene score (ONC) ;而inactivating突变包括:frameshift indels,nonsense SNVs,splice site mutations,tumour suppressor gene score (TSG) 。
研究人员经过探索确定:genes with an ONC score of at least 20% that also had a TSG score of at least 5% were classified as tumour suppressors。
结合ER状态,研究人员确定了40个Mut-driver基因。

研究人员还分析了影响Mut-driver基因的 copy number alterations (CNAs):

注:loss of heterozygosity (LOH), homozygous deletions (HDs)
HDs可以识别候选的肿瘤抑制基因
在这40个基因中,有8个使用上述比率计量方法被独立鉴定为mut驱动肿瘤抑制基因:
其余32个基因中有30个基因至少包含1个未激活突变,其中两个基因与免疫功能相关。
与临床和病理参数的相关性
研究人员使用多变量逻辑回归(multivariable logistic regression) 模型判断Mut-driver基因突变与临床病理参数之间的关联。

只需要关注功能性突变,即对癌基因或肿瘤抑制基因的ONC(复发突变)或TSG(失活突变)评分分别有影响的突变。
研究人员认为 HER2 status 是乳腺癌临床治疗的关键参数,但HER2+肿瘤的突变特征又因ER状态而改变。

五种组织学类型的肿瘤中功能基因突变的相对频率:

体细胞变化之间的联系
为了探索共同突变和互斥的关系,研究人员使用Fisher's exact检验了体细胞突变之间关联

研究人员还探索了GISTIC识别的突变和复发性CNAs之间的联系,大多数肿瘤抑制基因显示 classic mutation/LOH associations
根据IntClust展示Mut-driver突变的全局图
研究人员根据之前的IntClusts分类检查突变情况:

为了确定IntClust和驱动基因突变之间的相互作用,研究人员在至少一个基因突变中,寻找在肿瘤显著较高或较低比例中突变的Mut-driver基因。根据FDR = 0.01 筛选出9个基因。

IntClust分类的关键特征之一是ER+肿瘤的分层:

因此,研究人员探讨了IntClusts的ER+中Mut-driver基因突变的分布:

最后,研究人员将40个Mut-driver基因分到通路中,如果通路中至少有1个基因受到突变或CNA的影响,则将肿瘤标记为通路改变。

Mut-driver基因的克隆状态
研究人员使用variant allele fractions (VAF) 和拷贝数数据来获取包含突变的癌细胞比例的估值。结果发现Mut-driver基因中功能突变的癌细胞几乎出现在肿瘤细胞中,并且可能在肿瘤进化早期发生。图5c显示了单个肿瘤中CCF的分布概率。

Mut-driver基因突变的预后相关性
为了分析Mut-driver基因功能突变与乳腺癌特异性生存(BCSS)之间的关系,研究人员分别构建了ER+和ER-肿瘤的多变量Cox比例风险模型,考虑了患者年龄、肿瘤分级、大小和淋巴结状态的影响。

研究人员设定突变的预后作用可能受到CNA背景的影响。所以,研究人员在通过IntClust对肿瘤分层后分析突变和BCSS之间的关系。
之后,研究人员构建了带有交互作用项的单变量Cox模型来分析PIK3CA突变在每个IntClust群中的影响。

根据IntClusts判断肿瘤内的异质性
研究人员基于肿瘤中所有VAFs的变化使用先前建立的突变等位肿瘤异质性(MATH,mutant-allele tumour heterogeneity)评分。从该分析中排除了小于5个体细胞突变的样本,并分别计算了ER+和ER-肿瘤的分数。结果表明ER+显著低于ER-。则MATH分数越高,ER+状态越差。
图7c描述了肿瘤内异质性和染色体不稳定性之间的关系。

The METABRIC project was funded by Cancer Research UK, the British Columbia Cancer Foundation and Canadian Breast Cancer Foundation BC/Yukon.
METABRIC(乳腺癌国际联盟的分子分类学)是加拿大-英国的一个项目,旨在根据有助于确定最佳治疗方案的分子特征,将乳腺癌分类为其他子类别。目前已根据肿瘤的基因将乳腺癌分为10类。
https://www.ebi.ac.uk/ega/datasets/EGAD00010000162 没有权限下载
突变根据来源可分为生殖细胞(胚系)突变/体细胞突变/新发突变。其中体细胞突变,又称获得性突变,部分细胞在某个时间发生突变,不遗传给下一代,常见的体细胞突变即肿瘤。
https://www.cnblogs.com/think-and-do/p/6891293.html
IntClust,一个用于聚类复制的微阵列数据的软件包,包含了几种综合数据方法,支持不同的扩展不相似/距离度量方法,提供了一些改进的K-means聚类方法,并提出了三种流行的聚类质量评价方法。实现聚集分层聚类,还可以对集群进行微分基因表达和通路分析。
The software package is available at http://cadse24.cs.fiu.edu/IntClust.
The copy number variation (CNV) pipeline uses Affymetrix SNP 6.0 array data to identify genomic regions that are repeated and infer the copy number of these repeats. This pipeline is built onto the existing TCGA level 2 data generated by Birdsuite and uses the DNAcopy R-package to perform a circular binary segmentation (CBS) analysis. CBS translates noisy intensity measurements into chromosomal regions of equal copy number. The final output files are segmented into genomic regions with the estimated copy number for each region. The GDC further transforms these copy number values into segment mean values, which are equal to log2(copy-number/ 2). Diploid regions will have a segment mean of zero, amplified regions will have positive values, and deletions will have negative values. 来源:TCGA官网
GISTIC(Genomic Identification of Significant Targets in Cancer),其说明书和下载安装途径见https://github.com/ShixiangWang/install_GISTIC;
CNV拷贝数变异分析(GISTIC、maftools):https://www.jianshu.com/p/a6ae9d63046c GISTIC2.0的使用:https://www.jianshu.com/p/5de9922e6b8b 可视化:https://www.cnblogs.com/Mao1518202/p/11451548.html
