12月份第3周(总第47周)多组学探索不同器官的小细胞癌症起源

发表于 Science 05 Oct 2018 , 文章是:Reprogramming normal human epithelial tissues to a common, lethal neuroendocrine cancer lineage 小细胞癌症里面最出名的应该是小细胞肺癌(SCLC)了,恶性度高,预后差,治疗上进展也比较少。小细胞肺癌大约占所有肺癌的15%,每年全国有十几万新发的小细胞肺癌患者,其中绝大多数患者诊断的时候就已经是晚期。所以针对它的研究,就有点类似于乳腺癌里面的TNBC一样。
有趣的是,大部分公众号解读这篇文章的标题都侧重于指出:Science:如何将健康细胞癌化?只需五个基因
一些名词:

  • small cell neuroendocrine carcinoma (SCNC)
  • reprogrammed prostate and lung SCNCs
  • small cell prostate cancer (SCPC)
  • small cell lung cancer (SCLC)
  • euroendocrine prostate cancer (NEPC)
  • poorly differentiated prostate adenocarcinoma (PrAd)
  • large cell prostate carcinoma
    很多不同器官的癌症会发展成具有很强侵略性的小细胞癌,也称为小细胞神经内分泌癌(SCNC)来抵制治疗。不同器官的癌症类型是否通过相同途径转变成SCNC细胞还不清楚。肺癌、前列腺癌、膀胱癌和其他组织的小细胞癌在名称上是相似的,但是临床医生通常把它们当作不同的实体来治疗,然而,在过去的几年里,研究者们逐渐开始认识到癌症有相似之处。
    关键发现:前列腺和肺细胞在健康时有着非常不同的基因表达模式,但是当它们转化成小细胞癌时,几乎具有相同的模式。研究表明,不同类型的小细胞瘤的演变相似,即使它们来自不同的器官。

    3种ngs组学测序数据

    通过将带有五个基因的人类前列腺细胞(统称为PARCB)移植到小鼠体内,探索了癌症类型之间的潜在相似之处。当这些细胞在小鼠体内生长时,它们显示出人类小细胞神经内分泌癌的独特特征,基因如下;

    不同基因的组合的分组就可以通过NGS手段来探索他们的差异。
    GSE118204 包含另外3个GSE数据集,分别是RNA-seq,Whole Exome-seq,ATAC-seq 所以完全看懂这篇文献需要会的数据分析能力要求有点高。
    | gse | info |
    | —————————————————————————————— | —————————————————————————————— |
    | GSE118204 | Reprogramming normal human epithelial tissues to a common, lethal neuroendocrine cancer lineage (ATAC-seq) |
    | GSE118205 | Reprogramming normal human epithelial tissues to a common, lethal neuroendocrine cancer lineage (Whole Exome-seq) |
    | GSE118206 | Reprogramming normal human epithelial tissues to a common, lethal neuroendocrine cancer lineage (RNA-seq) |
    | GSE118207 | PARCB Project: Reprogramming normal human epithelial tissues to a common, lethal neuroendocrine cancer lineage |
    但是作者的分析结果主要集中于 RNA-seq和ATAC-seq,看了看应该是Whole Exome-seq数据是没有配对正常组织测序结果来辅助寻找somatic的mutation信息。

    首先看 RNA-seq数据分析结果

    转录组的分析流程是:

    通过上面的分析流程得到表达量矩阵后,作者最重要的分析点是强调这些不同组别的细胞系的相关性,如下:

    携带着PARCB的SCNC细胞(PARCB-SCNC细胞)与来自人体的小细胞前列腺癌(small cell prostate cancer, SCPC)细胞存非常相似,,如下图,SCLC和PARCB聚集在一起。

    这些分析都需要比较强的背景知识,还有对公共数据的把控能力。

    然后看ATAC-seq数据分析结果

    同样也是先看看其数据分析流程:

    因为数据都是公布出来的,所以可以比较轻松的下载下来,走一波我的教程:https://www.jianshu.com/p/5bce43a537fd 看看能不能得到同样的分析结果图表。
    主要也是根据信号值来进行PCA等看看不同组的相关性如何,如下图:

    文章关于ATAC-seq数据独特的分析点不多,就:

    联合分析

    对于RNA-seq和ATAC-seq数据的联合分析,作者做得并不多,流程描述如下:

    能放在正文的分析结果也不多,如下;

    分析没啥难点,解读就这样吧。

Comments are closed.