可以運用計算能力追蹤癌症的傳播？

普林斯頓大學的研究人員開發了一種新的計算方法，可以增加追蹤癌細胞從身體的一個部位擴散到另一個部位的能力。這種細胞的遷移會導致轉移性疾病，大約90%的癌症死亡是由於實體腫瘤造成的——大量細胞在乳腺、前列腺或結腸等器官中生長。了解轉移的驅動因素可能會導致新的治療方法，以阻止癌症在體內擴散。普林斯頓大學計算機科學教授、這項新研究的高級作者Ben Raphael問道：這些細胞中是否存在特定的變化或突變，使它們得以遷移？這一直是最大的謎團之一。在《自然遺傳學》上發表的一項研究中，Raphael和他的同事提出了一種演算法，通過將DNA序列數據與細胞位於體內的信息結合起來，來追蹤癌症的轉移。

博科園-科學科普：他們稱之為MACHINA，意思是「轉移性和克隆性歷史整合分析」。演算法可以讓研究人員從目前獲得的DNA序列數據中推斷出過去的轉移過程。與以往僅依靠DNA序列的方法進行的研究相比，這項技術對癌症遷移的歷史有了更清晰的了解。有些研究推斷出複雜的遷移模式並沒有反映當前的癌症生物學知識。現在得到的數據集非常複雜，但複雜的數據集並不總是需要複雜的解釋。MACHINA通過同時追蹤細胞的突變和運動，發現某些患者的轉移性疾病可能比之前認為的更少。例如在一名乳腺癌患者中，先前發表的一項分析認為，轉移性疾病是由14個獨立的遷移事件引起的。

而MACHINA則認為，肺部的一個繼發腫瘤僅通過5個細胞遷移就能播撒剩下的轉移。除了一組乳腺癌數據，Raphael和他的團隊使用他們的演算法來分析黑色素瘤、卵巢癌和前列腺癌患者的轉移模式。一些附加的特性有助於提高MACHINA的準確性。該演算法包含了一種基因不同細胞的混合模型，基於實驗證據，腫瘤細胞可以成群結隊地進入身體的新部位。它也解釋了基因不同的腫瘤細胞和健康細胞的混合測序所帶來的DNA數據的不確定性。倫敦癌症研究所(Institute of Cancer Research)的克里斯·羅科斯(Chris Rokos)進化與癌症研究員安德烈亞·索托里娃(Andrea Sottoriva)說：這種方法克服了許多挑戰，從「難以分析、嘈雜」的腫瘤DNA測序數據中得出有意義的結論。

預計這種新方法將在基因組社區廣泛應用，並將為癌症進化中最致命的階段提供新的線索。MACHINA的發展為更廣泛地檢查大量癌症患者的轉移模式鋪平了道路，這可能揭示導致不同類型癌症擴散的關鍵突變。Raphael還計劃通過合併腫瘤DNA和在血液中循環的腫瘤細胞的數據，以及DNA的表觀遺傳變化——可逆的化學修飾，使這一方法更加有效。更好的演算法就像更好的顯微鏡。當用放大鏡觀察大自然時，可能會漏掉重要的細節，如果你用顯微鏡觀察會發現更多。

博科園-科學科普｜參考期刊：Nature Genetics｜來自：普林斯頓大學

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！