纽约——像“癌症基因组图谱”这样的大规模基因组研究已经得出了存在于许多类型癌症(甚至是一些罕见癌症)中的体细胞突变的详细图谱，这使得临床医生可以通过选择针对癌症基因组特定变化的治疗方法来更精确地治疗患者。
然而，达纳·法伯癌症研究所和布罗德研究所的肿瘤学家威廉·哈恩表示，了解病人的突变并不总能带来治疗。对许多肿瘤来说，基因组测序是可能的，但解释数据太难了，或者还没有针对发现的突变的药物存在。
在周五举行的分子病理学协会虚拟年会上，Hahn描述了他和他的同事们利用基因组尺度的方法全面绘制人类癌症适应度所需基因的努力。他还介绍了最新情况癌症依赖地图(DepMap)项目该计划于2019年由Broad、Wellcome Sanger研究所和几个行业合作伙伴发起，旨在创建一个综合的临床前参考地图，将肿瘤特征与肿瘤依赖关系联系起来。
哈恩在演讲中表示:“如果你把TCGA数据看作(汽车的)零件清单，我们现在就知道有多少零件，它们是什么种类的零件，甚至知道这些零件损坏的频率。”“但如果我们真的想用这些信息来逆向工程我们对癌症的理解，我们必须了解这些部件的其他功能，这样我们才能把它们组合起来，了解肿瘤在病人体内是如何工作的，就像汽车发动机一样。”
他的实验室采用了两种广泛使用的方法，并在基因组规模上进行了实验。一种方法是进行功能获得试验，看看它们是否会产生某种癌症表型，然后进行相反的功能丧失试验，抑制或删除基因。
另一种方法是系统地研究癌症基因组，而不专注于基因组测序研究中确定的任何特定基因。通过这种方式，哈恩和他的同事们的目标是创建癌症依赖地图。
作为第一种方法可以完成的一个例子，Hahn展示了在他的实验室中对p53进行的分析，并回答了为什么热点突变在该基因中比在其他等位基因中更频繁发生的问题。Hahn和他的团队进行了详细的饱和诱变筛选，以评估p53在等基因癌细胞系中的功能，建立了一个包含所有p53错义突变体和无意义突变体的文库，并在p53激活剂存在的情况下进行了选择筛选。不过，尽管这些筛选产生了大量关于p53的数据，但它们并没有回答热点突变的问题，这表明这些突变位置可能没有一种特殊功能，无法用研究人员正在使用的分析方法来测量。
相反，他们转向了在序列数据中定义特定癌症特征的工作，并将该技术应用于p53。他们在最初的检测中发现了对功能有强烈影响的热点突变，并注意到这些突变位置很可能是在许多肿瘤中发现的非常常见的突变过程。
然而，有趣的是，研究小组在这些分析中也发现了p53等位基因的突变，这些突变在最初的分析中具有深远的功能影响，但不是已知突变过程的目标，事实上在大多数肿瘤中很少发现。相反，研究人员还发现了一些在他们的检测中没有可辨别的活性的等位基因，但它们似乎是非常常见的突变过程的目标，在肿瘤中经常发现，这可能代表了它们正在发生突变，但没有任何功能影响的事实。
“所以，如果你考虑到这一点，你可以看到我们屏幕的表型选择模型并不匹配得很好，如果你只是采用突变签名模型，它不能预测突变的频率，”Hahn说。“但如果你把这两件事放在一起，你就会得出一个非常非常接近的模型....所以，我认为这告诉我们的是，事实上，我们现在有了为什么p53有热点突变这个问题的答案。这并不是说这些等位基因有特殊的功能。只是它们也是常见突变过程的目标。因此，这种饱和诱变方法让我们得到了一个明确的答案。”
研究人员还决定对致癌基因KRAS进行一组类似的实验。在这里，他们取了一个野生型KRAS等位基因，并以饱和的方式在每个位置引入突变，并观察哪些等位基因会转化细胞。与p53相反，他们发现大约有6个位置发生了非常明显的突变，并具有转化细胞的功能。哈恩说，这些位置也是KRAS中最频繁突变的位置。
他补充说，在观察整个等位基因的集合时，人们可以问转化的强度和等位基因的频率之间有什么相关性。以KRAS为例，分析表明，转化等位基因越多，在肿瘤中发现的频率就越高。
哈恩说:“我认为有了这些知识，我们就可以在生产药物时预测耐药性，并了解这些致癌基因和肿瘤抑制基因的生物学特性。”
他补充说，重要的是，这提出了一个问题，即这种分析是否可以对每一种癌症基因进行。虽然答案是肯定的，但这需要付出巨大的努力，并将依赖于开发非常可靠的分析方法来尝试评估基因功能。
据Hahn说，他和他的同事们已经考虑过基因表达签名是否可以作为表现型的代理，他们是否可以通过一般的测定来捕获有意义的表现型，以及哪些特定的表现型适合这种方法。还有一个问题是，这种方法是否依赖于细胞类型。
“我们想到的一件事是，我们可以利用单细胞测序的力量来试图识别表型的模式，”他说。“我们已经知道如何对数百个等位基因进行这种类型的实验。现在的问题是，我们是否可以将其扩大到任何特定基因的饱和突变。”
更新DepMap
Hahn还谈到了他和他的合作者在DepMap上所做的努力，即获取细胞系和肿瘤的遗传和分子信息，然后在一定范围内扰动它们，以建立一个全面的基因和通路图，这些基因和通路是特定肿瘤子集的发生和存在所必需的。
哈恩说:“我们收集所有的分子信息，提取优先依赖性，建立预测模型，使我们不仅能知道哪些细胞系依赖于特定的基因，还能知道哪些其他特征与之匹配。”“现在，当我们对数百个细胞系进行这项研究时，我们发现，非常出乎我意料的是，突变并不是依赖性的最佳预测因素。事实上，基因表达往往是你所观察的任何特征的最佳预测器。我的猜测是，这与基因表达是任何给定细胞中表型变化的整合者这一事实有关。”
研究人员同时使用RNAi和CRISPR屏幕，然后将这两种数据结合起来。他们已经用RNAi分析了500多个细胞系，用CRISPR分析了1000多个细胞系。
这项工作证明是富有成效的。例如，在Hahn的实验室中进行的一项实验发现，基因BIRC6在一个乳腺癌模型中具有很强的选择性依赖性，它的缺失导致细胞凋亡，而它的抑制导致了一个ER+乳腺癌模型中原发性和转移性肿瘤的肿瘤消退。进一步的分析表明，其他三个基因与BIRC6形成了一个独特的泛素连接酶，该复合体参与调节综合应激反应，这可能解释了某些细胞系和肿瘤对该复合体的差异依赖性。
“我认为这是一个很好的例子，展示了你不仅可以获得一个基因，而且可以获得一个蛋白质复合体的力量，”Hahn说，并补充说DepMap网站包含合作者从RNAi和CRISPR屏幕收集的所有数据，分子分析数据，小分子筛选数据，以及大量的数据可视化工具。
重要的是，Hahn相信临床实验室也可以从这些数据中受益。
他说:“我的设想是，像我这样的实验室，与世界上其他实验室联合起来，将找到对大量基因的所有这些变异进行前瞻性分析的方法。”“我们已经开始与世界各地的研究人员进行一些讨论，他们组成了一个有兴趣进行这类研究的团体联盟。我认为，我们最终将为临床实验室建立数据库，以便能够根据需要查找每个变体的已知信息，并对其进行解释。”
DepMap还表明基因表达数据在临床中有一席之地，他说。
哈恩说:“当人们做分析，说什么是最具预测性的标记时，问的是什么问题几乎并不重要，结果几乎总是基因表达是得到这些答案的最佳方式。”“我们已经开始使用单细胞RNA测序来了解细胞类型，识别新的细胞类型，识别功能，甚至识别组织中的受体配体对，这告诉我们，通过测量每个细胞中的少量分子，这是一种非常强大的决定生物学的方法。”
他补充说，DepMap数据本身最终将用于临床。基因依赖性数据本身作为一种临床工具可能有用，也可能不有用，但研究人员正在积极研究的一件事是，他们是否可以通过依赖性图描绘出具有重要临床意义的复合体或通路，例如BIRC6的例子。
哈恩说:“我认为，如果我们能做到这一点，那么它可能会很好地帮助临床遗传学家研究意义未知的突变和变异，并试图获得一种感觉，即它们是否可能以某种方式导致(疾病)。”
他补充说，在短期内，DepMap已经在学术界和工业界催生了数十项药物发现工作。“我知道有几个已经进入了临床试验阶段，”哈恩说。“所以，我们将拭目以待未来几年的发展。”