突变研究的十大高分策略，只知道预后的，要抓紧关注

突变特征（mutational signature）的概念自2012年被提出以来，就广泛的应用于基因组的研究中。但相比于铁死亡，m6A等热点话题，突变特征确属于一个小众研究点，但在2021年10月份，Nature reviews cancer刊登了一篇综述[1]，系统地描述了突变特征的发展前景。能够跻身Nature系列的综述足以能证明突变特征在生物研究中的重要意义，那今天小编就以这篇研究为基础，为大家概述突变特征的相关研究，希望大家能够活学活用，在自己的研究中做一些类似分析来添彩。话不多说，让我来了解突变特征这一宝藏话题。

Mutational signatures: emerging concepts, caveats and clinical applications

突变特征：概念、注意事项和临床应用

突变特征的前世与今生

突变过程指的是诱导突变产生的因素。研究人员于2012年首次引入突变特征的概念来揭示肿瘤中存在的突变过程。随后在2013年，一项具有里程碑意义的研究将这一原理应用于30种癌症类型的大量测序数据，发现了21个独特的单碱基取代突变特征。最近，更多的测序样本将已知的突变特征数量提高到49个。一些复杂的特性，如突变特征的组织特异性，也在最近的研究中被证实。现如今，突变特征分析已经成为基因组研究的标准组成部分，因为他们可以揭示环境和内源突变在每个肿瘤的贡献程度。事实上，这一新兴领域研究正日益增长，并正朝着有临床意义的方向发展。随着越来越多不同类型的突变特征被报道，人们开始将它们与各种因素，如年龄、突变或药物治疗联系起来，试图解读其原因。然而，许多突变特征的起源仍然是神秘的，对其病因学的解析是非常重要的。同时，使用突变特征对肿瘤患者进行分型也是被广泛关注的研究点。本篇文章小编就领大家来看看围绕突变特征来展开的研究。

图1. 突变特征的概念及发展

在我的数据集中涉及哪些突变特征？

为了回答这一问题，我们可能需要采用非负矩阵分解（NMF）等方法来从头识别突变特征。我们测序得到的突变谱是细胞所经受的所有突变过程留下的印记之和，可以近似为突变特征集合的线性组合，每个突变特征都在基因组中贡献了一定比例的突变。通过矩阵分解算法我们便可以推断在样本中重复出现的突变特征集合，并知道有多少突变可以归因于各个突变特征。但矩阵分解方法会产生可能会产生多解的情况（图2a），有许多优化的算法被提出已解决这一问题，如贝叶斯非负矩阵分解方法能够选择最优的解。

另一种方法是依赖于先前研究报道的突变特征集合，这样我们便可选择回归来求解突变过程相应的贡献情况。最常用的求解方式是非负最小二乘算法，基于此开发的R包deconstructSigs已被广泛地使用在突变特征研究中，可以实现对单样本突变特征的刻画。

不管使用何种方式，在突变特征的检测会存在模糊性（图2b）。一些突变特征对基因组突变贡献较低，此时在检测时就容易出现漏检或与其他的突变特征混在一起。具有明显特点的突变特征会更容易提取，而具有少有特点的突变特征可能会出现模糊分配的情况。这表明还需要更多的突变特征识别算法研究以解决此类问题。

图2. 突变特征的识别

【研究案例一：突变特征的识别】

与同源重组修复（HR）缺陷相关的突变特征3表现出了优秀的临床应用潜能。但突变特征3却表现了较为平坦的突变概率分布（图2b），使用传统的突变特征分析方法不能将HR缺陷的样本很好的区分出来。所以一些专门用于识别HR缺陷特征的方法被提出，如HRDetect（图3a）和SIGMA（图3b）。HRDetect[2]基于多种基因组特征，采用logistic回归模型来区分HR缺陷的患者，于2017年发表在Nature Medicine上。这依赖于样本的WGS或WES测序数据，另一篇研究则考虑到目前临床大部分样本使用的是panel测序，所以研究人员基于机器学习方法构建了 SIGMA[3]，以用于panel测序的HR缺陷识别。该研究非常符合临床的需求，是值得学习的好文章，于2019年发表在Nature Genetics上。

图3. 同源重组修复缺陷的识别相关研究

突变特征与其他因素的关联性研究

为了获得生物学上的见解，现在的研究大多数会将突变特征与一些其他因素相关联。但注意这类研究得到的是关联性，并不能代表因果性，一些典型的研究如下。

【研究案例二：突变特征关联临床指标】

于2016年发表在Nature Genetics上的一篇研究[4]系统分析了于患者诊断年龄相关的突变特征。研究结果显示突变特征1和5相关的突变负荷在多种癌症类型中于患者的诊断年龄相关（图4），因此这两个突变特征也常被称为时钟样的突变过程。突变特征1主要与甲基胞嘧啶的自发水解相关，这个突变过程主要在来源于上皮细胞的癌症类型中造成高的突变负荷，上皮细胞新陈代谢频率较高。这中与年龄的相关性暗示着突变特征1的突变率可能记录着细胞所经历的有丝分裂历程。而突变特征5的病因学到目前为止还不够明确，可能与时间依赖的DNA累积损伤有关。

图4. 与患者诊断年龄相关的突变特征（展示部分）

【研究案例三：突变特征相关的驱动突变】

2018年，两篇研究[5, 6]分别采用回归与统计学检验的方式系统地筛选了与突变特征相关的驱动突变（图5），发表在Nature Communications与PLOS Genetics上。这使得突变过程和驱动基因联系在了一起，但注意这两者关系的因果性还需要进一步探索，即是驱动基因的突变导致了突变过程的产生还是突变过程特异性的引发了某一驱动突变。

图5. 突变特征相关的驱动突变

【研究案例四：突变特征与突变的关联方式】

2020年，一篇发表在Nature Cancer的文章[7]再度分析了突变特征与突变关联，与上面不同的是，该研究采用了一种较新的方式来判断二者的关联，该方式能够推断出突变过程与突变之间的依赖性，值得大家学习推广。

图6. 突变特征与突变的关联方式

【研究案例五：突变关联表达】

一篇于2020年发表在Genome Medicine上的文章[8]则分析了与突变特征相关的基因表达，进一步结合功能富集上升到了通路层面（图7），揭示了一些突变过程与免疫应答和细胞周期通路的关联。

图7. 突变特征相关联的生物学通路

【研究案例六：突变关联表观】

转录组有了，表观组还会远吗？于2021年发表在Genome Biology上的研究[9]就探索了突变特征与染色质状态的关联。如突变特征17在食管癌中造成的突变显著富集在CTCF结合位点上（图8）。

图8. 突变特征相关联的生物学通路

突变特征的时序性研究

最近对正常的皮肤、食道、结肠、子宫内膜、肺和膀胱组织的测序发现了甲基胞嘧啶脱氨、APOBEC酶和紫外线暴露引起的突变特征，公众号先前的一篇文章带我们领略了这类研究。这些发现表明突变过程可能先于肿瘤发生，并可能在人类细胞中耐受。研究面临的挑战是识别具有临床相关性的突变信号，其可能指示潜在生物异常，作为癌症的预测或预后因子。识别出区分惰性肿瘤和侵袭性肿瘤的基因组特征将是极其重要的。

迄今为止报道的大多数突变特征都来自原发癌症。而与转移性癌症相关的突变特征的研究相对不足，大多数以前的努力集中在小肿瘤特异性队列使用基因面板方法或全外显子组测序。最近一项关于转移的泛癌研究表明，转移性癌症富含与DNA修复缺陷相关的内源性突变过程。在初次诊断后出现转移的患者可能接受过各种治疗方案，这可以在他们的突变特征中反映出来。例如，铂类药物暴露引起的突变信号在各种晚期和转移性癌症队列中都有报道。对转移性癌症的研究可以为治疗耐药机制提供有用的见解，并有助于识别预测不良预后的信号。

图9. 突变特征的时序性

【研究案例七：突变的时序性分析】

一篇于2016年发表在PLOS Medicine上的研究[10]在118个转移乳腺癌中利用从头识别的方式识别出5个突变特征，并未发现新的特征（不存在转移特异的特征）。通过计算突变特征的贡献度发现HR+/HER2−亚型的转移性乳腺癌比原发乳腺癌有更高的APOBEC突变特征（图10，左侧柱表示转移，右侧柱表示原发），暗示着APOBEC致突变过程在转移过程中起一定作用。

图10. 突变特征的时序性

【研究案例八：突变研究进化】

突变过程与进化的关系持续火热。如APOBEC活性在在肺腺癌、ER-型乳腺癌、头颈癌和食管癌的进化过程中促进分支进化和亚克隆突变的获得。在部分肺腺癌样本中晚期APOBEC突变显著比早期多（图11a）[11]。此外TRACERx计划发现APOBEC突变数目与亚克隆突变数目显著相关，同时在19个患者中的亚克隆driver事件是由APOBEC引起的（图11b），暗示了APOBEC致突变在亚克隆扩张上的作用[12]。

图11. 突变特征与进化的关联

【研究案例九：突变关联肿瘤发展】

一些研究则直接开发算法去评估突变特征在肿瘤进展过程中发生的时期，如TrackSig（图12a）[13]和CloneSig（图12b）[14]。这类研究想发较为新颖，属于目前较前沿的研究，分别于2020和2021年均发表在Nature Communations上。

图12. 突变特征的时序性推断

突变特征的临床应用潜能

同源重组修复（HR）缺陷相关突变特征先前被报道与铂类药物及PARP抑制剂的治疗预后相关。铂类药物会在基因组上带来大片段的基因组损伤，而HR缺陷的肿瘤不能及时地进行修复，导致肿瘤死亡。同样的PARP与HR存在着合成致死的效应，当这两者功能同时受损是，细胞的DNA修复功能将极大的受损，从而促进癌细胞的死亡，正常细胞则受到较弱的干扰。

DNA错配修复（MMR）缺陷则与肿瘤对免疫检查点阻断剂的敏感性相关。MMR缺陷形成的高突变表型可能持续的提供肿瘤新抗原，触发了免疫检测系统，使得免疫调节剂如抗PD-1相关药物的效果进一步增强。另一个与免疫检查点阻断剂敏感性相关的突变特征是突变特征10。该突变特征是由DNA聚合酶Pol ε校对功能受损导致的，这一过程会产生极大量的突变。该特征活性增强免疫检查点阻断剂敏感性的机制还尚不清楚，但通常认为也是促进了新抗原的形成。总的来说，我们仍需要系统地研究这两个突变特征作为免疫抑制剂治疗预测指标的益处。

与APOBEC致突变过程的突变特征则表现出了复杂的临床影响。下面来举些与APOBEC致突变过程临床应用相关的研究。

【研究案例十：突变肿瘤抗原】

一篇于2016年发表在Nature Genetics上的研究指出APOBEC突变过程产生的高突变负荷预示着好的生存[15]。由于肿瘤抗原的产生和肿瘤细胞的联合致死性，有效的免疫监测将有助于提高APOBEC诱变患者的存活率（图13）。

图13. APOBEC突变过程的临床可应用性

【研究案例十一：突变与预后】

突变特征与患者预后关系的研究频出。2019年发表在Cancer Science上的研究[16]指出具有signature 2的肺腺癌样本具有更好的免疫应答，同时具有signature 2的样本具有更高的肿瘤抗原负荷。这篇文章将TCGA中肺癌样本根据APOBEC突变特征贡献度分为高低两组。功能富集分析揭示在高APOBEC突变特征样本中IL2‐STAT5信号通路显著富集。同时，免疫检查点相关基因CD274 (PD‐L1), LAG3和VTCN1与抗原呈递相关基因TAP1, TAP2和PTPN2在高APOBEC突变特征样本中高表达。这些可能与高APOBEC突变特征样本具有较好的免疫治疗应答相关。这篇文章思路简单，很适合上手进行学习。

另有其他研究[17]发现高的APOBEC突变压力以及高的突变负荷的膀胱癌患者具有更好的生存（图14）。同时肿瘤抗原负荷与突变负荷具有较强的相关性。

图14. APOBEC突变过程的预后效能

【研究案例十二：突变分型】

突变特征用于患者分型的研究也是令人瞩目的，涌现了大量的研究。2016年发表于的一篇文章Nature Genetics上的一篇文章[18]便对结合突变特征的分型研究进行了展望（图15）。大家可以从此入手，为自己研究增彩。

图15.突变特征的分型研究

写在最后

目前基因组测序日益增多，为我们进行突变特征分析提供了契机，看了这么多围绕突变特征的研究，相信总有一款适合你。本文所有的研究案例均可以使用公开的数据集进行分析，这类分析虽然小众，但相关研究总是出现在高水平的杂志上。今后我们可以在自己的研究中尝试这类话题，看看突变特征与感兴趣因素之间的关联，突变特征的预后效能等。

好文推荐  点击了解


01热点追踪：癌症中的血小板
02血小板：功夫在生信之外03热点年度盘点：21年十大科研热点，免疫治疗只能排第三
04在线工具和SCI的距离有多远？
05内容过硬的单细胞和常规联合分析

参考文献

1. Koh G, Degasperi A, Zou X, Momen S, Nik-Zainal S. Mutational Signatures: Emerging Concepts, Caveats and Clinical Applications. Nat Rev Cancer. 2021;21(10):619-637.

2. Davies H, Glodzik D, Morganella S, Yates LR, Staaf J, Zou X, Ramakrishna M, Martin S, Boyault S, Sieuwerts AM, Simpson PT, King TA, Raine K, Eyfjord JE, Kong G, Borg A, Birney E, Stunnenberg HG, van de Vijver MJ, Borresen-Dale AL, Martens JW, Span PN, Lakhani SR, Vincent-Salomon A, Sotiriou C, Tutt A, Thompson AM, Van Laere S, Richardson AL, Viari A, Campbell PJ, Stratton MR, Nik-Zainal S. Hrdetect Is a Predictor of Brca1 and Brca2 Deficiency Based on Mutational Signatures. Nat Med. 2017;23(4):517-525.

3. Gulhan DC, Lee JJ, Melloni GEM, Cortes-Ciriano I, Park PJ. Detecting the Mutational Signature of Homologous Recombination Deficiency in Clinical Samples. Nat Genet. 2019;51(5):912-919.

4. Alexandrov LB, Jones PH, Wedge DC, Sale JE, Campbell PJ, Nik-Zainal S, Stratton MR. Clock-Like Mutational Processes in Human Somatic Cells. Nat Genet. 2015;47(12):1402-1407.

5. Temko D, Tomlinson IPM, Severini S, Schuster-Bockler B, Graham TA. The Effects of Mutational Processes and Selection on Driver Mutations across Cancer Types. Nat Commun. 2018;9(1):1857.

6. Poulos RC, Wong YT, Ryan R, Pang H, Wong JWH. Analysis of 7,815 Cancer Exomes Reveals Associations between Mutational Processes and Somatic Driver Mutations. PLoS Genet. 2018;14(11):e1007779.

7. Degasperi A, Amarante TD, Czarnecki J, Shooter S, Zou X, Glodzik D, Morganella S, Nanda AS, Badja C, Koh G, Momen SE, Georgakopoulos-Soares I, Dias JML, Young J, Memari Y, Davies H, Nik-Zainal S. A Practical Framework and Online Tool for Mutational Signature Analyses Show Inter-Tissue Variation and Driver Dependencies. Nat Cancer. 2020;1(2):249-263.

8. Kim YA, Wojtowicz D, Sarto Basso R, Sason I, Robinson W, Hochbaum DS, Leiserson MDM, Sharan R, Vadin F, Przytycka TM. Network-Based Approaches Elucidate Differences within Apobec and Clock-Like Signatures in Breast Cancer. Genome Med. 2020;12(1):52.

9. Lee CA, Abd-Rabbo D, Reimand J. Functional and Genetic Determinants of Mutation Rate Variability in Regulatory Elements of Cancer Genomes. Genome Biol. 2021;22(1):133.

10. Lefebvre C, Bachelot T, Filleron T, Pedrero M, Campone M, Soria JC, Massard C, Levy C, Arnedos M, Lacroix-Triki M, Garrabey J, Boursin Y, Deloger M, Fu Y, Commo F, Scott V, Lacroix L, Dieci MV, Kamal M, Dieras V, Goncalves A, Ferrerro JM, Romieu G, Vanlemmens L, Mouret Reynier MA, Thery JC, Le Du F, Guiu S, Dalenc F, Clapisson G, Bonnefoi H, Jimenez M, Le Tourneau C, Andre F. Mutational Profile of Metastatic Breast Cancers: A Retrospective Analysis. PLoS Med. 2016;13(12):e1002201.

11. de Bruin EC, McGranahan N, Mitter R, Salm M, Wedge DC, Yates L, Jamal-Hanjani M, Shafi S, Murugaesu N, Rowan AJ, Gronroos E, Muhammad MA, Horswell S, Gerlinger M, Varela I, Jones D, Marshall J, Voet T, Van Loo P, Rassl DM, Rintoul RC, Janes SM, Lee SM, Forster M, Ahmad T, Lawrence D, Falzon M, Capitanio A, Harkins TT, Lee CC, Tom W, Teefe E, Chen SC, Begum S, Rabinowitz A, Phillimore B, Spencer-Dene B, Stamp G, Szallasi Z, Matthews N, Stewart A, Campbell P, Swanton C. Spatial and Temporal Diversity in Genomic Instability Processes Defines Lung Cancer Evolution. Science. 2014;346(6206):251-256.

12. Jamal-Hanjani M, Wilson GA, McGranahan N, Birkbak NJ, Watkins TBK, Veeriah S, Shafi S, Johnson DH, Mitter R, Rosenthal R, Salm M, Horswell S, Escudero M, Matthews N, Rowan A, Chambers T, Moore DA, Turajlic S, Xu H, Lee SM, Forster MD, Ahmad T, Hiley CT, Abbosh C, Falzon M, Borg E, Marafioti T, Lawrence D, Hayward M, Kolvekar S, Panagiotopoulos N, Janes SM, Thakrar R, Ahmed A, Blackhall F, Summers Y, Shah R, Joseph L, Quinn AM, Crosbie PA, Naidu B, Middleton G, Langman G, Trotter S, Nicolson M, Remmen H, Kerr K, Chetty M, Gomersall L, Fennell DA, Nakas A, Rathinam S, Anand G, Khan S, Russell P, Ezhil V, Ismail B, Irvin-Sellers M, Prakash V, Lester JF, Kornaszewska M, Attanoos R, Adams H, Davies H, Dentro S, Taniere P, O'Sullivan B, Lowe HL, Hartley JA, Iles N, Bell H, Ngai Y, Shaw JA, Herrero J, Szallasi Z, Schwarz RF, Stewart A, Quezada SA, Le Quesne J, Van Loo P, Dive C, Hackshaw A, Swanton C, Consortium TR. Tracking the Evolution of Non-Small-Cell Lung Cancer. N Engl J Med. 2017;376(22):2109-2121.

13. Rubanova Y, Shi R, Harrigan CF, Li R, Wintersinger J, Sahin N, Deshwar A, Evolution P, Heterogeneity Working G, Morris Q, Consortium P. Reconstructing Evolutionary Trajectories of Mutation Signature Activities in Cancer Using Tracksig. Nat Commun. 2020;11(1):731.

14. Abecassis J, Reyal F, Vert JP. Clonesig Can Jointly Infer Intra-Tumor Heterogeneity and Mutational Signature Activity in Bulk Tumor Sequencing Data. Nat Commun. 2021;12(1):5352.

15. Middlebrooks CD, Banday AR, Matsuda K, Udquim KI, Onabajo OO, Paquin A, Figueroa JD, Zhu B, Koutros S, Kubo M, Shuin T, Freedman ND, Kogevinas M, Malats N, Chanock SJ, Garcia-Closas M, Silverman DT, Rothman N, Prokunina-Olsson L. Association of Germline Variants in the Apobec3 Region with Cancer Risk and Enrichment with Apobec-Signature Mutations in Tumors. Nat Genet. 2016;48(11):1330-1338.

16. Chen H, Chong W, Teng C, Yao Y, Wang X, Li X. The Immune Response-Related Mutational Signatures and Driver Genes in Non-Small-Cell Lung Cancer. Cancer Sci. 2019;110(8):2348-2356.

17. Robertson AG, Kim J, Al-Ahmadie H, Bellmunt J, Guo G, Cherniack AD, Hinoue T, Laird PW, Hoadley KA, Akbani R, Castro MAA, Gibb EA, Kanchi RS, Gordenin DA, Shukla SA, Sanchez-Vega F, Hansel DE, Czerniak BA, Reuter VE, Su X, de Sa Carvalho B, Chagas VS, Mungall KL, Sadeghi S, Pedamallu CS, Lu Y, Klimczak LJ, Zhang J, Choo C, Ojesina AI, Bullman S, Leraas KM, Lichtenberg TM, Wu CJ, Schultz N, Getz G, Meyerson M, Mills GB, McConkey DJ, Network TR, Weinstein JN, Kwiatkowski DJ, Lerner SP. Comprehensive Molecular Characterization of Muscle-Invasive Bladder Cancer. Cell. 2017;171(3):540-556 e525.

18. Secrier M, Li X, de Silva N, Eldridge MD, Contino G, Bornschein J, MacRae S, Grehan N, O'Donovan M, Miremadi A, Yang TP, Bower L, Chettouh H, Crawte J, Galeano-Dalmau N, Grabowska A, Saunders J, Underwood T, Waddell N, Barbour AP, Nutzinger B, Achilleos A, Edwards PA, Lynch AG, Tavare S, Fitzgerald RC, Oesophageal Cancer C, Molecular Stratification C. Mutational Signatures in Esophageal Adenocarcinoma Define Etiologically Distinct Subgroups with Therapeutic Relevance. Nat Genet. 2016;48(10):1131-1141.