​Cancer Cell | 基于儿童癌症模型图谱的多组学分析，揭示新的治疗机会和生物标志物

儿童实体瘤，尤其是高危中枢神经系统肿瘤，是儿童癌症相关死亡的最大原因。虽然针对儿童癌症的基因组图谱进行了很多研究，但儿童癌症精准医疗的开发仍落后于成人癌症。近期研究表明，儿童脑癌的分子亚类多样性较高且具有临床相关性，体现了不同癌症亚类中特定遗传驱动因素的必要性。因此，生成足够规模的儿童癌症细胞图谱，有助于分子层面的儿童肿瘤精确医疗。

近日，澳大利亚莫纳什大学癌症研究中心团队，在Cancer Cell发表了题为“Generation and multi-dimensional profiling of a childhood cancer cell line atlas defines new therapeutic opportunities”的文章。研究团队为数百个儿童癌症细胞系建立了一个多组学癌症细胞系图谱——儿童癌症模型图谱（Childhood Cancer Model Atlas，CCMA），能够更准确地对儿童癌症模型进行分类。通过药理学和遗传学CRISPR-Cas9功能丧失（LOF）筛选，CCMA提供了儿童癌症中132种基因依赖性和53种药物敏感性。该研究深入分析了分子定义的儿童癌症类型中的特定途径脆弱性，助力探索儿童癌症特异性治疗机会和生物标志物。

文章发表于Cancer Cell

研究团队收集了224个儿童细胞系（包括18种不同的颅外和脑肿瘤类型）、16个患者来源的成纤维细胞系、2个脑或骨正常组织原代细胞系和31个成人神经胶质瘤系，进行多组学分析，包括全基因组测序、RNA测序、甲基化分析、药物敏感性筛选和CRISPR-Cas9筛选及其他功能分析（图1a）。

基于细胞系图谱的多组学分析，可以根据相应的基因组突变特征将儿童癌症细胞系模型进行分类，中枢神经系统肿瘤是其中最具代表性的谱系，包括77例儿童高级胶质瘤、20例非典型畸胎样/横纹肌样肿瘤（AT/RT）、7例髓母细胞瘤、3例恶性横纹肌样瘤（MRT）、2例室管膜瘤和1个具有多玫瑰花结的胚胎性肿瘤（图1b）。

为了整合多组学特征并准确聚类儿童癌症细胞系模型，研究团队还应用了多组学因子分析（MOFA）。利用全基因组测序、RNA测序和甲基化分析，MOFA潜在因子的可视化展示了同一起源细胞的不同细胞系。其中，儿童胶质瘤形成了三个亚簇，它们彼此不同，也不同于成人胶质瘤（图1c）。

图1.儿童癌症模型图谱，来源：Cancer Cell

儿童肿瘤可选择的治疗方案则寥寥无几，靶向癌症药物的研究远远少于成人。为此，研究团队对2068种靶向癌症相关途径的药物进行了高通量药物筛选，在139个癌症细胞系14种癌症类型中进行了单剂量浓度（1μM）的初级筛选（图2a）。研究团队计算了每种药物的双峰指数（BI），有效的靶向药物通常表现出双峰敏感性，结果显示170种药物表现出了双峰效应：其中111种是具有已知有效靶点的靶向药物，包括CDK4/6抑制剂帕博昔单抗、CDK2/7/9抑制剂SNS-032和受体酪氨酸激酶（RTK）抑制剂纳那替尼。另外，有59种用于非癌症治疗的药物也表现出了双峰效应，体现了其他药物在儿童癌症治疗的潜力。

研究发现在四个分类集（突变、转录组学、甲基化分析、肿瘤谱系）中，几乎所有药物都与至少一个预测特征相关（图2d）。利用随机森林（RF）预测模型，研究人员确定了53种有效靶向药物，包括CUDC-101、GSK1059615、达沙替尼、帕博西立布等（图2e）。

图2.高通量药物筛选，来源：Cancer Cell

研究团队采用功能丧失（LOF）筛选以探索儿童癌症的基因依赖性（图3）。从352个基因库中筛选出了66个必需基因（essential genes），儿童癌症常见的必需基因与成人癌症中定义的必需基因完全重叠。剩余286个基因中，218个在儿童细胞系中具有选择性活性，其中63%被标注为有对应药物的靶标（图3b）。

通过比较儿童高级别胶质瘤（pHGG）和成人高级别胶质瘤（aHGG）的基因依赖性，发现大多数基因依赖性是两者共有的，27种（9%）是pHGG特有的，12种（4%）是aHGG特有的（图3c）。如两者对PIK3CA基因依赖性存在显著差异（pHGG=81%命中率；aHGG=40%命中率），相对应的，alpelisib（PI3K选择性抑制剂）仅在aHGG中显示了有效治疗效果。表明对儿童癌症基因依赖性的探索对临床具有重要意义。

此外，研究团队利用CRISPR筛选揭示了36个谱系富集的基因依赖性（图3F），从而可以根据肿瘤谱系选择相应的靶向治疗。例如，骨肉瘤中YES1、PDGFRA和JUN依赖性，pHGG中MAPK1、FGFR1、PIK3CA、HDAC2和MCL1依赖性。ATRT具有最独特的基因依赖性（图3f），除了高度依赖PRC2的成分（即EZH2、EED）和SMARCA，还有代谢依赖性，包括嘌呤合成途径（GART、ATIC）和对氧化磷酸化（OXPHOS）重要的线粒体复合物II基因（SDHA-D）。

图3.儿童癌症的基因依赖性，来源：Cancer Cell

可以根据不同的基因依赖性对儿童癌症进行亚型分类。研究表明，ATRT和pHGG表现出了亚型之间的基因依赖性区别。

为挖掘可药用基因，帮助开发精准药物。研究团队筛选了100个有依赖性的基因，其中43个被标注为有对应药物的靶标。随后，应用机器学习模型来预测儿童癌症的遗传依赖性，并利用分子（全基因组测序、RNA测序和甲基化分析）和临床（如肿瘤类型、性别、年龄）特征为132种基因依赖性建立了稳健的预测模型CCMA（图6A）。研究团队还分析了CCMA能否适用于成人癌症。结果表明，只有部分基因依赖性通用，成人癌症生物标志物对儿童癌症的治疗反应并不具有典型的预测性，凸显了CCMA等大规模儿童癌症研究对促进儿童癌症靶向治疗的重要性。

图4.儿童癌症基因依赖性的预测模型，来源：Cancer Cell

研究团队在所有筛选的品系中整合了354个基因中的1611个外显子突变，对每个突变计算其致癌性，称为“可能性评分”（图7a），筛选出了199个候选致癌突变（图7b）。之后，研究团队详细研究了PDGFRA突变中与治疗反应相关的突变（图7c、d），以及其他潜在的生物标志物基因（图7e）。总之，可能性评分可以帮助更快地筛选出对应基因靶点药物，也体现了综合基因组和功能学方法在儿童癌症中分析致癌突变的实用性。

图5.全组分分析能够优先考虑pHGG中可操作的变化，来源：Cancer Cell

综上所述，通过对多个儿童肿瘤细胞系进行多组学分析，研究团队建立了儿童癌症模型图谱CCMA。该研究为存活率较低的儿童癌症开发了新的癌症细胞系模型，尤其是高风险中枢神经系统肿瘤，可以帮助人们更准确地对儿童癌症进行分类，并探索潜在的驱动机制，寻找治疗靶点和生物标志物。

文章通讯作者、莫纳什大学癌症研究中心科学家Ron Firestein表示：“通过在多个维度对肿瘤模型进行测序，我们能够改善儿童癌症模型的亚分类，并将其与临床定义的亚型相匹配。重要的是，通过将这些模型的分子特征与药物和基因CRISPR筛选相结合，能够识别出不同的治疗脆弱性，这些脆弱性可以与预测其反应的生物标志物相匹配。”

CCMA的数据可以通过一个在线数据门户网站获得，该网站包括人工智能功能。Firestein表示：“我们设想，研究人员和临床医生能够利用这一资源来生成和验证关于不同类型儿童癌症的生物途径和治疗脆弱性的假设。”

参考资料：

1.Sun C X, Daniel P, Bradshaw G, et al. Generation and multi-dimensional profiling of a childhood cancer cell line atlas defines new therapeutic opportunities[J]. Cancer Cell, 2023.

https://www.cell.com/cancer-cell/fulltext/S1535-6108(23)00080-6

2.Pediatric Cancer Cell Atlas Uncovers Clues About Cancer Drivers, Treatment Targets

https://www.genomeweb.com/sequencing/pediatric-cancer-cell-atlas-uncovers-clues-about-cancer-drivers-treatment-targets

·END·

热文推荐

喜欢就点个"在看"吧