Model-based tumor subclonal reconstruction
Model-based tumor subclonal reconstruction
复制标题
基于模型的肿瘤亚克隆重建
DOI：
10.1101/586560
复制
发表时间：
2019
期刊：
影响因子：
--
通讯作者：
Caravagna G
中科院分区：
文献类型：
--
作者：
Caravagna G
绝大多数癌症下一代测序数据由癌症和正常细胞混合物组成的批量样品组成。为了研究肿瘤的进化，基于机器学习的亚克隆重建方法被用来分离癌细胞亚群并重建它们的祖先关系。然而，目前的方法完全是数据驱动的，与进化理论无关。我们证明，如果不考虑肿瘤的演变，亚克隆重建中会出现系统性误差，并且当从同一肿瘤中采集多个样本时，这些误差会增加。为了解决这个问题，我们提出了一种基于模型的亚克隆重建的新方法，该方法将数据驱动的机器学习与进化理论相结合。使用公共的，合成的和新生成的数据，我们表明，该方法比目前的技术在单样本和多区域测序数据更强大，更准确。通过仔细的数据管理和解释，我们展示了该方法如何最大限度地减少影响非进化方法的混杂因素，从而更准确地恢复人类肿瘤的进化史。
The vast majority of cancer next-generation sequencing data consist of bulk samples composed of mixtures of cancer and normal cells. To study tumor evolution, subclonal reconstruction approaches based on machine learning are used to separate subpopulation of cancer cells and reconstruct their ancestral relationships. However, current approaches are entirely data-driven and agnostic to evolutionary theory. We demonstrate that systematic errors occur in subclonal reconstruction if tumor evolution is not accounted for, and that those errors increase when multiple samples are taken from the same tumor. To address this issue, we present a novel approach for model-based subclonal reconstruction that combines data-driven machine learning with evolutionary theory. Using public, synthetic and newly generated data, we show the method is more robust and accurate than current techniques in both single-sample and multi-region sequencing data. With careful data curation and interpretation, we show how the method allows minimizing the confounding factors that affect non-evolutionary methods, leading to a more accurate recovery of the evolutionary history of human tumors.
登录
查看更多内容
影响因子：
5.4
作者：
Dentro, Stefan C.;Wedge, David C.;Van Loo, Peter
通讯作者：
Van Loo, Peter
生长肿瘤中新抗原的进化动力学
DOI：
--
发表时间：
2019
期刊：
bioRxiv
影响因子：
--
作者：
E. Lakatos;Marc J. Williams;R. Schenck;W. Cross;J. Househam;B. Werner;Chandler D. Gatenbee;M. Robertson;Chris P. Barnes;Alexander R. A. Anderson;A. Sottoriva;T. Graham
通讯作者：
T. Graham
影响因子：
64.8
作者：
Roerink, Sophie F.;Sasaki, Nobuo;Clevers, Hans
通讯作者：
Clevers, Hans
影响因子：
16.6
作者：
Fusco D;Gralka M;Kayser J;Anderson A;Hallatschek O
通讯作者：
Hallatschek O
影响因子：
9.3
作者：
M. Griffith;Christopher A. Miller;O. Griffith;Kilannin Krysiak;Zachary L. Skidmore;Avinash Ramu;Jason R. Walker;H. Dang;L. Trani;D. Larson;Ryan T. Demeter;M. Wendl;Joshua F. McMichael;Rachel Austin;V. Magrini;S. McGrath;Amy Ly;S. Kulkarni;M. Cordes;C. Fronick;R. Fulton;C. Maher;L. Ding;J. Klco;E. Mardis;T. Ley;R. Wilson
通讯作者：
M. Griffith;Christopher A. Miller;O. Griffith;Kilannin Krysiak;Zachary L. Skidmore;Avinash Ramu;Jason R. Walker;H. Dang;L. Trani;D. Larson;Ryan T. Demeter;M. Wendl;Joshua F. McMichael;Rachel Austin;V. Magrini;S. McGrath;Amy Ly;S. Kulkarni;M. Cordes;C. Fronick;R. Fulton;C. Maher;L. Ding;J. Klco;E. Mardis;T. Ley;R. Wilson