摘要：研究人员揭示了癌症进化背后的复杂过程，并定义了分析肿瘤基因组成的最佳算法。
在加州大学洛杉矶分校领导的一项新研究中，研究人员揭示了癌症进化背后的复杂过程，并定义了分析肿瘤基因组成的最佳算法。
研究结果发表在《自然生物技术》杂志上，详细介绍了新的在线资源，这些资源可以帮助科学家选择分析肿瘤演变的最佳算法，提高诊断准确性和治疗计划。
图1 戊型肝炎病毒复制的宿主和病毒衍生插入物的遗传决定因素
了解肿瘤的进化对治疗癌症至关重要。具有更多遗传多样性的肿瘤往往更难治疗，更有可能抵抗治疗。特定突变发生的时间也会影响治疗的效果。
为了更好地测量进化过程，科学家们使用亚克隆重建算法来分析来自肿瘤的DNA测序数据，从而更好地了解癌症如何开始，生长和对治疗的反应，并为诊断和治疗策略提供有价值的见解。
这种方法涉及复杂的数学和计算机算法，已成为更好地理解和跟踪癌症进化过程的重要工具。然而，为了这项任务，已经开发了几十种算法，直到现在，还不清楚哪些是最准确的，什么时候能很好地工作。这种不确定性已经成为更广泛临床应用的障碍。
加州大学洛杉矶分校大卫·格芬医学院人类遗传学计算生物学家、该研究的第一作者之一Adriana Salcedo说:“不同算法的亚克隆重建结果差异很大。我们希望能够更好地了解实验和算法选择如何针对手头的特定任务进行优化，这可以帮助正在开发这些算法的科学家，以及将这些算法应用于自己研究的人，这样他们就可以为自己的目的选择最好的算法，然后反过来可以以更明智的方式解释结果。”
为了了解哪种算法对不同的任务最准确，Salcedo和加州大学洛杉矶分校的其他研究人员组成了一个全球联盟。该小组发起了一项为期7年的努力，名为ICGC-TCGA DREAM体细胞突变召唤-肿瘤异质性和进化挑战。世界各地的研究小组使用云计算对肿瘤进化的七个不同方面进行基准测试，总共进行了12061次分析。
通过分析这些数据，Salcedo发现只有少数肿瘤特征会显著影响重建算法的准确性。虽然测序数据质量和肿瘤纯度等实验因素也有一定影响，但在决定准确性方面，算法的选择比肿瘤本身的特征更重要。
他们还发现，没有一种算法在所有任务上都表现最好，组合多种算法的标准方法并没有显著提高准确率。
图2 充满挑战的设计
加州大学洛杉矶分校大卫·格芬医学院泌尿学和人类遗传学教授Paul Boutros说:“我们很惊讶，算法本身如此重要。这为研究人员如何转化研究、临床试验并最终完全预测癌症进化的复杂性提供了直接的实用见解。”
由于不同的算法最适合亚克隆重建的不同子任务，该团队提供了在线工具，帮助用户根据他们的数据集和感兴趣的问题选择最合适的算法。
该团队目前正在努力找出现有技术可以改进的地方，以更好地代表癌细胞的持续变化，并制作更好的癌症进化模拟器。还需要指导在哪些方面需要新的人工智能来提高测量癌症进化的能力。
Boutros说:“通过创新的计算方法揭示肿瘤动力学的复杂性，我们可以预测癌症的发展方向。通过了解它的去向，我们可以设计出阻止癌症变得致命的治疗方法。”
Boutros还担任加州大学洛杉矶分校David Geffen医学院的临时研究副院长，加州大学洛杉矶分校精确健康研究所癌症信息学副主任，并且是Eli和Edythe Broad再生医学和干细胞研究中心的成员。该研究的另一位资深作者是MD安德森癌症中心的Peter Van Loo。该研究的另一位共同第一作者是弗朗西斯·克里克研究所的马克西姆·塔拉比奇。
参考资料
[1] Crowd-sourced benchmarking of single-sample tumor subclonal reconstruction
摘要：研究人员揭示了癌症进化背后的复杂过程，并定义了分析肿瘤基因组成的最佳算法。
在加州大学洛杉矶分校领导的一项新研究中，研究人员揭示了癌症进化背后的复杂过程，并定义了分析肿瘤基因组成的最佳算法。
研究结果发表在《自然生物技术》杂志上，详细介绍了新的在线资源，这些资源可以帮助科学家选择分析肿瘤演变的最佳算法，提高诊断准确性和治疗计划。
图1 戊型肝炎病毒复制的宿主和病毒衍生插入物的遗传决定因素
了解肿瘤的进化对治疗癌症至关重要。具有更多遗传多样性的肿瘤往往更难治疗，更有可能抵抗治疗。特定突变发生的时间也会影响治疗的效果。
为了更好地测量进化过程，科学家们使用亚克隆重建算法来分析来自肿瘤的DNA测序数据，从而更好地了解癌症如何开始，生长和对治疗的反应，并为诊断和治疗策略提供有价值的见解。
这种方法涉及复杂的数学和计算机算法，已成为更好地理解和跟踪癌症进化过程的重要工具。然而，为了这项任务，已经开发了几十种算法，直到现在，还不清楚哪些是最准确的，什么时候能很好地工作。这种不确定性已经成为更广泛临床应用的障碍。
加州大学洛杉矶分校大卫·格芬医学院人类遗传学计算生物学家、该研究的第一作者之一Adriana Salcedo说:“不同算法的亚克隆重建结果差异很大。我们希望能够更好地了解实验和算法选择如何针对手头的特定任务进行优化，这可以帮助正在开发这些算法的科学家，以及将这些算法应用于自己研究的人，这样他们就可以为自己的目的选择最好的算法，然后反过来可以以更明智的方式解释结果。”
为了了解哪种算法对不同的任务最准确，Salcedo和加州大学洛杉矶分校的其他研究人员组成了一个全球联盟。该小组发起了一项为期7年的努力，名为ICGC-TCGA DREAM体细胞突变召唤-肿瘤异质性和进化挑战。世界各地的研究小组使用云计算对肿瘤进化的七个不同方面进行基准测试，总共进行了12061次分析。
通过分析这些数据，Salcedo发现只有少数肿瘤特征会显著影响重建算法的准确性。虽然测序数据质量和肿瘤纯度等实验因素也有一定影响，但在决定准确性方面，算法的选择比肿瘤本身的特征更重要。
他们还发现，没有一种算法在所有任务上都表现最好，组合多种算法的标准方法并没有显著提高准确率。
图2 充满挑战的设计
加州大学洛杉矶分校大卫·格芬医学院泌尿学和人类遗传学教授Paul Boutros说:“我们很惊讶，算法本身如此重要。这为研究人员如何转化研究、临床试验并最终完全预测癌症进化的复杂性提供了直接的实用见解。”
由于不同的算法最适合亚克隆重建的不同子任务，该团队提供了在线工具，帮助用户根据他们的数据集和感兴趣的问题选择最合适的算法。
该团队目前正在努力找出现有技术可以改进的地方，以更好地代表癌细胞的持续变化，并制作更好的癌症进化模拟器。还需要指导在哪些方面需要新的人工智能来提高测量癌症进化的能力。
Boutros说:“通过创新的计算方法揭示肿瘤动力学的复杂性，我们可以预测癌症的发展方向。通过了解它的去向，我们可以设计出阻止癌症变得致命的治疗方法。”
Boutros还担任加州大学洛杉矶分校David Geffen医学院的临时研究副院长，加州大学洛杉矶分校精确健康研究所癌症信息学副主任，并且是Eli和Edythe Broad再生医学和干细胞研究中心的成员。该研究的另一位资深作者是MD安德森癌症中心的Peter Van Loo。该研究的另一位共同第一作者是弗朗西斯·克里克研究所的马克西姆·塔拉比奇。
参考资料
[1] Crowd-sourced benchmarking of single-sample tumor subclonal reconstruction
