科研

首页 - 全部文章 - 科研 - 无需匹配血液或肿瘤组织,仅cfDNA测序即可检测克隆性造血,并区分突变来源 | Sci Transl Med

无需匹配血液或肿瘤组织,仅cfDNA测序即可检测克隆性造血,并区分突变来源 | Sci Transl Med

克隆性造血(clonal hematopoiesis,CH)是一种常见的衰老相关生物学状态,其特点是造血干细胞的克隆扩增,使个体罹患血液肿瘤、心脏病和中风风险增加。在癌症患者中,意义不明克隆性造血(CHIP)和骨髓增生性肿瘤的发生率较高,有研究显示CHIP与癌症患者的不良预后及较短总生存期相关。细胞游离DNA(cfDNA)检测作为一种非侵入性方法在临床试验中得到了广泛的应用,可用于确定癌症的基因组结构,监测最小残留疾病,并有可能检测早期癌症。但由于cfDNA测序需要匹配血液和肿瘤样本,因此尚未广泛用于识别癌症患者的CH状态。

近日,美国诺华生物技术研究所团队,在Science Translational Medicine发表题为“Clonal hematopoiesis detection in patients with cancer using cell-free DNA sequencing”的文章。研究人员开发了一种仅通过cfDNA确定癌症患者CH的分类模型,不需要匹配的血液或肿瘤组织即可区分来自CHIP的血液和肿瘤源性突变,证明了单独cfDNA测序检测CH的可行性。使用该分类模型,研究团队在4324个肿瘤cfDNA样本的队列中,约30%的样本被识别出CH,且CH的发生率因肿瘤类型而异。匹配的RNA测序数据显示,携带CH肿瘤患者的肿瘤微环境(TME)中的炎症增加,特别是中性粒细胞激活,表明CHIP可能具有致病性的潜在机制。
首先,研究人员建立了一个包含124名转移性癌症患者和47名健康对照者的白细胞、血浆和肿瘤序列数据的cfDNA数据集,其中肿瘤序列数据是使用MSK-IMPACT panel生成,包含410个癌症相关基因的所有蛋白质编码外显子。匹配的血浆和白细胞数据是使用GRAIL Inc.的508个基因panel生成的,该数据集中有314个基因突变。利用该数据集中来源于肿瘤或白细胞的1400个单核苷酸变体(SNV)训练随机森林和逻辑回归机器学习模型,再使用血浆数据对突变的来源进行分类,构建CH分类模型(图1a)。研究人员在各种阈值下对性能进行了评估,发现该分类模型性能稳定(图1b)。与随机森林方法相比,逻辑回归方法还重视更广泛的特征集,包括相关的SBS突变特征(图1c、1d)。

图1.区分血液和肿瘤衍生突变的分类方法和性能。来源:Science Translational Medicine

为了进一步验证该CH分类模型的性能,并研究CH在癌症中的作用,研究人员收集了诺华肿瘤临床试验中4324名晚期转移性癌症患者的基线cfDNA测序数据,使用逻辑回归和随机森林模型对检测到的35148个SNV进行分类,结果显示CH分类模型可以在肿瘤临床样本中区分血液和肿瘤衍生的突变。预测的血液突变分为可能的CHIP驱动基因(DNMT3ATET2ASXL1, JAK2SF3B1PPM1D)和其他常见骨髓/血液癌症突变基因(图2A)。结果显示,模型预测的血液突变比例最高的CHIP驱动基因是DNMT3ATET2,其次是SF3B1CBLKMT2C(图2B)。38名NSCLC患者和130名ER+BC患者(946例SNV)的肿瘤DNA测序也证实了两个模型的有效性,且逻辑回归模型能够更好地对SNV的生物来源进行分类。研究人员将患者分为CH阳性(典型的CH基因)、CH髓系(假定的髓系驱动基因)或CH阴性,使用逻辑回归模型,发现4324名癌症患者样本中30.4%的患者携带与CH一致的血源性突变,CH阳性患者的比例随着年龄的增长而大幅增加(图2C)。

图2.癌症患者的CH特征。来源:Science Translational Medicine

研究还发现,非小细胞肺癌、皮肤黑色素瘤、间皮瘤或间变性甲状腺癌症患者比其他类型肿瘤患者更有可能发生CH突变(图3A),暴露于化疗也会增加CHIP的发生率。与其他癌症患者相比,非小细胞肺癌患者更有可能在DNMT3A中发生血液突变,黑色素瘤或非小细胞肺癌患者更有可能发生TET2突变,TNBC患者更有可能发生TP53突变(图3B)。

图3.CH发病率的癌症特异性差异。来源:Science Translational Medicine

为分析CP与肿瘤和TME中炎症基因特征的表达关系,研究人员选取了基线cfDNA测序数据集中819名患者的基线肿瘤RNA测序数据,其中32.8%为CH阳性患者,39.1%为CH髓系患者。在比较CH阳性患者与CH阴性患者之间的基因表达谱时,119个基因上调,5个基因下调,表达上调的基因在中性粒细胞脱颗粒和外渗以及炎症反应方面显著富集(图4A)。在CH突变VAF>2%的患者中,这种变化更大(图4B),有力地证明了CH与肿瘤和TME中炎症基因特征的表达增加相关。

在许多癌症类型中,NLR增加与预后不良相关,研究人员发现CH阳性状态与NLR升高有关,CH患者中DNMT3A变异患者的NLR均显著升高。

图4.肿瘤活检中与CH状态相关的基因表达变化。来源:Science Translational Medicine

研究人员还探讨了CH患者对治疗的反应是否不同。针对1731名ER+BC患者样本进行分析,显示接受ribociclib(一种CDK4/6抑制剂)联合内分泌治疗(ET)的患者具有更长的无进展生存期(PFS),其中分别有17%和9%的样本检测到DNMT3ATET2突变(图5a)。在TET2移码突变(FS)或无义突变(NON)的患者中,接受ribociclib+ET治疗的患者与单独接受ET治疗的患者相比,PFS没有差异(图5b),即治疗与TET2突变状态之间的相互作用并不显著。总之,研究表明不同的CH突变可能会对治疗反应产生不同的影响,并为CH阳性如何影响癌症患者的疾病进展提供了新的研究思路

图5.携带CH突变ER+BC患者的治疗反应。来源:Science Translational Medicine

cfDNA是正常DNA和肿瘤来源DNA的混合物,血浆中检测到的基因突变来源只能通过比较来自白细胞(WBC)和血浆的深度匹配测序来明确追溯。但这种方法成本过高,而且商业cfDNA检测通常不包括WBC测序。因此,在没有收集到匹配血液测序数据的情况下,开发计算方法来注释cfDNA测序数据中的CH将扩大血浆测序的效用,并能够研究CH对癌症的影响。

文章通讯作者、诺华生物医学研究所数据科学家Lauren Fairchild表示:“我们的开源方法提供了一种从cfDNA中寻找CH突变的计算解决方案,减少了临床环境中昂贵的WBC测序需求。这些发现表明CH作为肿瘤微环境炎症的额外生物标志物及其对患者治疗反应的影响值得进一步研究。但CHIP与肿瘤炎症信号增加之间的确切机制仍然是一个谜,这是这项研究的局限性之一。此外,还需要在机器学习模型中包含更多的癌症类型,以提高其准确性。”
综上,该研究提出了一种准确的机器学习方法,能够从cfDNA样本中发现CHIP变异,减少了临床环境中对WBC测序的需求。该方法可用于肿瘤微环境中表征CH,并将患者CH状态与炎症的局部和全身生物标志物相关联。研究表明,CH患者在肿瘤、TME和外周血的中性粒细胞和炎症活性增加。把CH作为TME炎症的额外生物标志物,这项研究为探索CH对患者治疗反应的影响提供了新的思路。
参考文献:
FairCHIPild L, Whalen J, D'Aco K, et al. Clonal hematopoiesis detection in patients with cancer using cell-free DNA sequencing. Sci Transl Med. 2023;15(689):eabm8729. doi:10.1126/scitranslmed.abm8729
https://www.science.org/doi/10.1126/scitranslmed.abm8729
(0)

本文由 SEQ.CN 作者:白云 发表,转载请注明来源!

关键词:, ,

热评文章