G-B570M527NK

نقش NGS در تحقیقات سرطان و کاربرد بالینی آن (2)

NGS
NGS

آزمایشگاه و بالین

نقش NGS در تحقیقات سرطان

و کاربرد بالینی آن

(قسمت دوم)

دکتر محسن منشدی

آزمایشگاه تشخیص طبی دکتر منشدی

www.manshadilab.com

 

کاربرد بالینی

NGS، علاوه بر کمک به پژوهشگران در درک بهتر تأثیرات جهش در ایجاد و تکامل سرطان، پیش از این نیز در بسیاری از موارد از جمله تشخیص پیش از تولد، تشخیص عوامل بیماری‌زا، جهش‌های ژنتیکی و موارد دیگر کاربرد داشته است (32). هرچند جهش‌های ژنتیکی از طریق توالی‌یابی سانگر، PCR و میکرواری‌ها نیز قابل شناسایی می‌باشند، با این حال محدودیت‌هایی نیز دارند؛ برای مثال، اگرچه میکرواری‌ها قادر به شناسایی انواع تغییرات تک‌نوکلئوتیدی (SNVs) هستند، اما در تشخیص بعضی از اختلالات DNA، همانند حذف‌ها و اضافات بزرگ و تغییرات ساختاری کروموزومی که در سرطان‌ها به‌وفور گزارش می‌شود، مناسب نمی‌باشند. در مقابل، توالی‌یابی کل اگزوم و یا ژنوم توسط NGS می‌تواند اطلاعات جامعی از اختلالات DNA، نوترکیبی ژنتیکی و سایر جهش‌ها را در اختیار پزشک قرار دهد (28 و 32)، بنابراین NGS به‌عنوان یک ابزار تشخیصی و تعیین‌کننده پیش‌آگهی مناسب، مسیر را جهت بکارگیری درمان‌های اختصاصی و مبتنی بر شواهد، هموار می‌سازد. مدت‌ها است که از NGS برای تشخیص و تعیین پیش‌آگهی سرطان استفاده می‌شود؛ برای مثال، توالی‌یابی کل ژنوم در فرد مبتلا به بیماری لوسمی حاد، یک ترکیب جدید ژنی را که ناشی از ورود قطعه‌ای از ژنوم به ناحیه دیگر آن است و منجـــر به ایجاد ترکیب PML – RARA می‌شود، شناسایی کرده که این یافته، مسیر درمانی را برای بیمار تغییر داده است (33). با توالی‌یابی ژنوم سلول‌های توموری در بیمار و استفاده از پروب‌های اختصاصی برای بیمار از طریق غربال‌گری DNA موجود در سرم، پزشکان قادر خواهند بود که اطلاعات باارزشی در مورد پیشرفت بیماری و عود آن بدست آورند (31 – 27). کشف بیومارکرهای بیشتر و توسعه درمان‌های هدفمند نقش مهمی در کمک به پزشکان در انتخاب درمان‌های مبتنی بر شواهد خواهد داشت.

از سال 2010 استفاده از NGS، افزایش قابل‌توجهی در کارآزمائی‌های بالینی داشته است (جدول 2). از  NGS به شکل‌های گسترده‌ای همچون WGS، WES، seq RNA – به جهت تعیین واریانت‌هایی که بر روی روند بیماری تأثیر می‌گذارند، استفاده می‌شود. اطلاعاتی که از این مطالعات بدست می‌آیند ممکن است به توسعه دارو کمک کرده و علت مقاومت به برخی از درمان‌ها را آشکار نماید.

 

Table 2 Active cancer studies using NGS as the primary outcome measure

Study Title/Sponsor NCT#/# Enrolled/ Start Date Condition Description

Sequencing Technologies

Tumor Specific Plasma DNA in Breast Cancer/

Dartmouth-Hitchcock Medical Center

 NCT01617915/6/

October 2012

 Breast Cancer Analyze chromosomal rearrangements and genomic alterations

Whole genome sequencing

Whole Exon Sequencing of Down Syndrome Acute Myeloid Leukemia/Children’s Oncology Group

NCT01507441/10/

February 2012

Leukemia

Examine DNA samples of patients with Leukemia and Down Syndrome and identify DNA alterations

Whole exome Sequencing

Studying Genes in Samples From Younger

 NCT01528956/10/ Adrenocortical Study genes from patients with

Whole genome

Patients with Adrenocortical Tumor/Children’s Oncology Group

 February 2012 Carcinoma adrenocortical tumor

Sequencing

Feasibility Clinical Study of Targeted and Genome-Wide Sequencing/University Health Network, Toronto

 NCT01345513/

150/March 2011

 Solid Tumors Identify gene mutations in cancer patients

Whole genome sequencing

An Ancillary Pilot Trial Using Whole Genome

 NCT01443390/10/ Advanced Investigate patients with cancer that

Whole genome

Sequencing in Patients with Advance Refractor Cancer/Scottsdale Healthcare

 September 2011 Cancer are using Phase I drugs and its effect on the patient

Sequencing

Cancer Genome Analysis/Seoul National

 NCT01458604/ Malignant Identify and analyze genetic

Targeted Sequencing,

University Hospital

 100/August 2011 Tumor alterations in tumors for therapeutic agents

whole exome sequencing and RNA-seq

RNA Biomarkers in Tissue Samples From Infants with Acute Meyloid Leukemia/ Children’s Oncology Group

 NCT01229124/20/

October 2010

 Leukemia Analyze tissue samples and identify biomarkers from RNA

RNA-seq

Molecular Analysis of Solid Tumors/St. Jude

 NCT01050296/ Pediatric Solid Analyze gene expression profiles of

Whole genome

Children’s Research Hospital

 360/January 2010 Tumors tumor and examine genetic alterations

Sequencing

Deep Sequencing of the Breast Cancer Transcriptome/University of Arkansas

 NCT01141530/30/

Sept 2009

 Breast Cancer Examine transcriptional regulation and triple negative breast cancer

RNA-seq

 

روش‌ها و منابع

ابزار و روش‌های تحلیل داده در NGS:

برای تجزیه وتحلیل و تفسیر اطلاعات بدست آمده از NGS، روش‌های آماری و ابزارهای بیوانفورماتیک مختلفی طراحی شده است. آنالیز برای WGS و WES، شامل خواندن توالی، تشخیص واریانت‌ها (جهش نقطه‌ای، INDELS کوچک، تنوع تعداد کپی و تغییرات ساختاری) و پیش‌بینی اثرات آن بر روی بیان ژن می‌باشد (جدول 3).

 

Table 3 Computational tools for cancer genomics

Category Program URL

Ref

Alignment

 MAQ http://maq.sourceforge.net/ [34]

BWA http://bio-bwa.sourceforge.net/

[35,36]

Bowtie2

 http://bowtie-bio.sourceforge.net/bowtie2/ [37]
BFAST http://bfast.sourceforge.net

[38]

SOAP2

 http://soap.genomics.org.cn/soapaligner.html [39]
Novoalign/NovoalignCS

http://www.novocraft.com/

SSAHA2 http://www.sanger.ac.uk/resources/software/ssaha2/ [40]
SHRiMP http://compbio.cs.toronto.edu/shrimp/

[41]

Mutation calling

 GATK http://www.broadinstitute.org/gatk/ [42]
Samtools http://samtools.sourceforge.net/

[43]

SOAPsnp

 http://soap.genomics.org.cn/soapsnp.html [44]
SNVmix http://compbio.bccrc.ca/software/snvmix/

[45]
VarScan http://varscan.sourceforge.net/ [46,50]
Somaticsniper http://gmt.genome.wustl.edu/somatic-sniper/ [51]

JointSNVMix

 http://compbio.bccrc.ca/software/jointsnvmix/ [52]
SV detection BreakDancer http://breakdancer.sourceforge.net/

[57]

VariationHunter

 http://variationhunter.sourceforge.net/ [58]
PEMer http://sv.gersteinlab.org/pemer/

[59]

SVDetect

 http://svdetect.sourceforge.net/ [60]
Function effect of mutation SIFT http://sift.jcvi.org/

[53]

CHASM

 http://wiki.chasmsoftware.org [55]
PolyPhen-2 http://genetics.bwh.harvard.edu/pph2/

[54]

ANNOVAR http://www.openbioinformatics.org/annovar/ [56]
Source: www.clinicaltrials.gov.

 

مطالعات توالی‌ها با استفاده از MAQ (34)، BWA (36 و 35)، Bowtie2 (37)، BFAST (38)، SOAP2 (39)، Novoalign/NovoalignCS،SSAHA2  (40)، SHRiMP (41) که با ژنوم مرجع انسانی مطابقت داده می‌شود. این روش‌ها در کارایی، حساسیت و توانایی خواندن دقیق توالی‌ها با طول‌های متفاوت و همچنین در تعیین خوانش‌های زمینه‌ای، متفاوت هستند. پس از مطابقت دادن توالی با ژنوم مرجع توسط GATK (42)، SAMtools (43)، SOAPsnp (44)، SNVMix (45)، Varscan(46)، تغییرات در اندازه یک نوکلئوتید شناسایی می‌شوند. روش‌های فوق بسته به اینکه از چه روش آماری و با چه عمق خوانشی برخوردار هستند، از یکدیگر متمایز می‌باشند. (49 – 47). تشخیص جهش‌های سوماتیک که بر اساس تعیین توالی ژنوم بیمار و نرمال و مقایسه آن با ژنوم مرجع می‌باشد، انجام می‌گیرد. برای این امر، نمونه نرمال و تومورال با روش‌های استاندارد تعیین توالی شده و سپس تنها واریانت‌هائی را که در نمونه تومورال یافت می‌شوند، انتخاب می‌کنند. همچنین می‌توان از سایر روش‌های دیگر از قبیل Varscan2 (50)، Somaticsniper (51) وJointSNVMix (52) استفاده کرد. از ابزارهای بیوانفورماتیک همچون SIFT (53)، PolyPhe (54)، CHASM (55) و ANOVAR (56) برای بررسی تأثیر جهش‌های شناسایی شده در عملکرد ژن و همچنین تمایز بین انواع جهش‌ها (انواع مؤثر در تکامل تومور و انواع بدون اثر) استفاده می‌شود. برای WGS، انواع مختلف تغییرات ساختاری را می‌توان با استفاده از BreakDancer (57)، VariationHunter (58)، PEMer (59) و SVDetect (60) کشف نمود. در مورد RNA، آنالیز داده‌های RNA – seq معمولاً مشتمل بر تعیین توالی خوانده شده، کمیت بیان ژن، انواع ژن/ ایزوفرم‌های بیان‌شده و اسپلایس فرم‌های غالب و یافتن ترانسکریپت‌های جدید می‌باشد (جدول 4).

Table 4 Computational tools for cancer transcriptomics

Category

 Program URL ref
Spliced alignment TopHat http://tophat.cbcb.umd.edu/ [61,69]
MapSplice http://www.netlab.uky.edu/p/bioinfo/MapSplice [62]
SpliceMap http://www.stanford.edu/group/wonglab/SpliceMap/ [63]
GSNAP http://research-pub.gene.com/gmap/ [64]
STAR http://gingeraslab.cshl.edu/STAR/ [65]
Differential expression CuffDiff http://cufflinks.cbcb.umd.edu/ [68,69]
EdgeR http://www.bioconductor.org/packages/2.11/bioc/html/edgeR.html [67]
DESeq http://www-huber.embl.de/users/anders/DESeq/ [66]
Myrna http://bowtie-bio.sourceforge.net/myrna/index.shtml [81]
Alternative splicing CuffDiff http://cufflinks.cbcb.umd.edu/ [68,69]
MISO http://genes.mit.edu/burgelab/miso/

[71]
DEXseq http://watson.nci.nih.gov/bioc_mirror/packages/2.9/bioc/html/DEXSeq.html [82]
Alexa-seq http://www.alexaplatform.org/alexa_seq/ [70]
Gene fusion SOAPfusion http://soap.genomics.org.cn/SOAPfusion.html
TopHat-Fusion http://tophat.cbcb.umd.edu/fusion_index.html [72]
BreakFusion http://bioinformatics.mdanderson.org/main/BreakFusion [73]
FusionHunter http://bioen-compbio.bioen.illinois.edu/FusionHunter/ [74]
deFuse http://sourceforge.net/apps/mediawiki/defuse/ [75]
FusionAnalyser http://www.ilte-cml.org/FusionAnalyser/ [76]

 

دو رویکرد اصلی برای مطالعات و مطابقت دادن RNA – seq وجود دارد؛ یکی از آن‌ها تطابق مطالعات داده‌ها بر اساس ترانسکریپتوم مرجع و با استفاده از مطابقت دهنده مطالعات DNA-seq استاندارد است. رویکرد دیگر، انطباق داده‌ها با مطالعات نقشه ژنوم مرجع بوده که بدین وسیله می‌توان محل‌های اسپلایسینگ جدید را با استفاده از یک همسوساز اختصاصی RNA – seq مانندTopHat  (61)، MapSplice (62)، SpliceMap (63)، GSNAP (64) و STAR (65) انجام داد. بیان مقادیر کمی ژن را می‌توان از طریق خوانش‌های انجام شده و به‌واسطه DEseq (66)، edge (67) یا مقادیر FPKM/RPKM (CuffLinks) (69، 68) انجام داد. از آنجائی که بسیاری از ژن‌ها ایزوفرماهای بیانی متفاوتی دارند، تعیـــین بــیان هـــر کدام از آنها مشکل می‌باشد. برای حل مشکل قطعیت، Alexa –  seq (70) فقط داده‌هایی را که با ایزوفرم واحد منطبق هستند، در نظر می‌گیرند، در حالی که Cufflinks (69، 68) و MISO (71) یک مدل احتمالی را که بهترین توصیف از تمام داده‌های بدست آمده در این تجربه را دارد در نظر می‌گیرند. بعلاوه، ترانسکریپت‌هایی که محصول اتصال اگزون های متفاوت (حتی از ژن‌های دیگر) می‌باشد توسط SOAPfusion، TopHat – Fusion (72)، Break Fusion (73)، FusionHunter (74)، defuse (75)، FusionAnalyser (76) و غیره، شناسایی می‌شود. برای دستیابی به دید کامل‌تری از ژنوم سرطان، مطالعه همه‌جانبه در سطوح ژنوم، ترانسکریپتوم و اپی‌ژنتیک بسیار مفید خواهد بود. در این ارتباط می‌توان از ابزارهایی همچون PARADIGM (77)، NetBox (78)، MEMo (79)، CONEXIC (80) بهره گرفت.

 

منابع و پروژه‌های جامع سرطان

حجم زیادی از اطلاعات مربوط به مطالعات انکوژنومیک‌ها از پروژه‌های مشترک تحقیقات سرطان به دست آمده است (جدول 5).

Table 5 Comprehensive cancer projects and resources

 

 

اطلس ژنوم سرطان (TCGA) و کنسرسیوم ژنوم سرطان بین‌المللی (ICGC) دو نمونه از فعالیت‌های مشترک در این خصوص می‌باشند. در سال 2006 TCGA ,به شکل آزمایشی و به مدت سه سال با هدف بررسی نقشه جامع تغییرات ژنتیکی مهمی که در تیپ‌های اصلی و زیرتیپ‌های سرطان اتفاق می‌افتد، شروع به فعالیت کرد. TCGA بیش از 11000 نمونه برای 20 نوع سرطان را بررسی خواهد کرد. ICGC در سال 2008 با هدف بدست آوردن توصیف جامعی از تغییرات ژنومی، ترانسکریپتومی و اپی‌ژنومی در 50 نوع تومور مختلف و یا زیرگروه آن که دارای اهمیت بالینی و اجتماعی در سراسر جهان هستند، راه‌اندازی شد. پروژه ژنوم سرطان (CGP) تلاش‌های زیادی در مؤسسه سانجر با هدف تعیین نسبت توالی واریانت‌ها به موتاسیون‌های مهم در پیشرفت سرطان‌های انسانی بعمل آورد. پروژه آناتومی ژنوم سرطان NCI (CGAP) به دنبال تعیین پروفایل بیان ژن سلول‌های طبیعی، پیش‌سرطانی و سرطانی است که در نهایت منجر به بهبود شناسایی، تشخیص و درمان بیمار می‌شود. اخیراً، کنسرسیوم بالینی تجزیه و تحلیل تومور پروتئومیک (CPTAC) ، با استفاده از روش‌های پروتئومیکس به بررسی پروتئین‌هایی که بدلیل تغییرات ژنی در فرایند تکامل سرطان ایجاد می‌شوند، پرداخته است. پیش‌بینی می‌شود که بکارگیری توأمان بررسی‌های ژنومی و پروتئومی فهرست جامع‌تری از پروتئین‌های مرتبط با تومور را در اختیار ما قرار داده که خود می‌تواند به درک بهتری از بیولوژی سرطان منجر شود. اطلاعات و نتایج حاصل از این پروژه‌ها به‌طور رایگان در دسترس جامعه پژوهشی قرار داده شده است (جدول 5). به‌منظور دسترسی آسان‌تر به نتایج و اطلاعات این تحقیقات، تعدادی پایگاه اطلاعاتی دایر شده‌اند؛ برای مثال، نتایج حاصل از CGP در COSMIC، ساماندهی و ذخیره شده‌اند (83). پورتال ژنومیک سرطان cBio، حاوی مجموعه داده‌ها از TCGA، به‌طور اختصاصی طراحی شده است تا اطلاعات ژنومیک سرطان را در سطوح مختلف همچون جهش، تعداد کپی تغییرات، تغییرات بیان (میکرواری و RNA – seq)، مقادیرمتیلاسیون DNA و مقادیر پروتئین و فسفوپروتئین، گزارش کند (84). Intogen نیز ابزاری است که به‌واسطه آنالیز و ادغام داده‌ها برای شناسایی ژن‌ها و ارائه مدل‌های بیولوژیکی مهم در رشد سرطان، طراحی شده است (85).Broad GDAC Firehose ، به‌منظور استفاده‌ی محققین به‌صورت بهینه از داده‌های TCGA، طراحی شده است. جدول 5 همچنین شامل منابع مفید برای تحقیق سرطان است؛ به‌عنوان مثال، Progenetix (86).

 

چالش‌ها و چشم‌انداز

گرچه NGS منجر به کشف حجم زیادی از اطلاعات در زمینه‌ی سرطان شده که در دسترس و در خدمت پژوهشگران است، اما چالش‌های زیادی در خصوص استفاده از این اطلاعات در حوزه‌ی درمان سرطان وجود دارد. از نقطه‌نظر فنی مشکلات زیادی همچون توانائی در خوانش مناطق تکراری ژنوم وجود دارد که نیازمند رسیدگی است (87). همچنین، تمایز جهش‌های نادر در تومور، از مواردی است که بدلیل محدودیت‌های تعیین توالی و یا مشکلات مربوط به انطباق وجود دارد و بخصوص زمانی که نمونه، خالص هم نباشد، مشکل است. هرچند روش‌های جدیدی به جهت تعیین واریانت‌های ژنوم سلول‌های سرطانی وجود دارد با این حال پیش‌بینی اثرات آن‌ها بر روی بیماری و همچنین یافتن واریانت‌های مسبب بیماری، هنوز در مراحل اولیه رشد خود هستند (88). الگوریتم‌های فعلی برای اندازه‌گیری بیان ایزوفرم، کم‌اهمیت نبوده ولی توضیح آن‌ها بسیار دشوار است. اگرچه آنالیز اطلاعاتی که از منابع و روش‌های متفاوت بدست می‌آید جدید نیست، با این حال پیش‌بینی مدلی که بتواند اطلاعات بدست آمده از روش‌های مختلف (همانند Omics) را در سلول‌های سرطانی یکسو نماید، مشکل است. از همه مهم‌تر، از آنجا که فن‌آوری‌ها و متدولوژی‌های تعیین توالی به‌سرعت در حال پیشرفت هستند، حفظ و پردازش داده‌ها و ارائه داده‌ها در قالب روشی که واضح بوده و تکرارپذیر باشد، مشکل است (89). از طرف دیگر، پیچیدگی و ناهمگونی تومور، باعث سخت‌تر شدن آنالیز و تفسیر داده‌های تعیین توالی می‌گردند. ناهمگونی پویا است و با گذشت زمان تکامل می‌یابد و این مطالب تقسیم‌بندی جهش‌ها را در سرطان به دو نوع “پیش‌برنده و خنثی”، با چالش اساسی مواجه می‌سازد، زیرا این امکان وجود دارد که انواع خنثی، تحت شرایطی و در یک بستر مناسب، در پیشرفت سرطان اثرگذار باشند (90).

از نقطه‌نظر بالینی، چالش اصلی ارزیابی انواع واریانت‌های یافت شده، به‌عنوان اهداف بالقوه درمانی تلقی می‌شوند. گرچه بسیاری از واریانت‌ها در مسیرهای مشابهی درگیر می‌باشند، با این حال روش درمانی متناسبی با این مسیرها هنوز وجود ندارد. با کشف هتروژنیتی داخل تومور، سؤالاتی در مورد اهمیت این یافته‌ها در درمان بیماری مطرح می‌شود. در حال حاضر بسیاری از پزشکان، درمان را بر مبنای نشانگرهای ژنتیکی حاصل از چند نمونه بیوپسی شده، انتخاب می‌کنند. اینکه این نشانگرها در تومور به چه صورت و با چه مکانیسمی تغییر پیدا می‌کنند، معلوم نیست و همین امر باعث دشواری در انتخاب نوع درمان می‌گردد (29). علاوه بر ناهمگونی، توانایی تومور برای تکامل، این امکان را برایش فراهم می‌کند که فرصت‌های بیشتری برای سازگاری و زنده ماندن در مقابل انواع درمان‌ها پیدا کند. برخی از محققین امیدوارند که با درمان‌های هدفمند موجود، ناهمگونی داخل توموری تا حد معینی کاهش خواهد یافت (29)، به‌طوری که پزشکان خواهند توانست کلون‌های غیرپاسخگو را قبل از اینکه توموری مجدداً رشد کند و یا جهش‌های بیشتری رخ دهد، هدف قرار دهند، با این حال انتخاب درمان هدفمند مناسب یک چالش است. بعضی از محققین قبلاً درمان‌های خاصی از جمله درمان‌های سیتوتوکسیک را ارائه دادند که باعث افزایش بی‌ثباتی و بدنبال آن تنوع ژنومی شده که خود می‌تواند منجر به‌سرعت بیشتر تکامل تومور و در نتیجه ناهمگونی بیشتر شود. واقعیت این است که این بخش از سرطان کمتر مورد مطالعه قرار گرفته است (26)؛ با این حال یکی از چالش‌های اصلی که محققین بایستی حل کنند تشخیص ساب‌کلون‌های منشعب‌شده مقاوم به درمان می‌باشد. اطلاعات بیشتر از تعامل بین جهش‌های تنه و شاخه ممکن است به درمان‌های هدفمند مناسب و استراتژی‌های درمانی اختصاصی که قادر به جلوگیری از مقاومت داروئی شده و باعث ریشه‌کن کردن مؤثر سرطان شود، منجر گردد (26 و 91).

برای سرعت بخشیدن در انتقال داده‌های ژنومی به اقدامات بالینی، همکاری مداوم بین چندین مرکز و ارتباط مؤثر بین متخصصین بیوانفورماتیک، متخصصین ژنتیک آماری، زیست‌شناسان مولکولی و پزشکان، ضروری است. متخصصین بیوانفورماتیک و ژنتیک آماری، مسئول ارائه برنامه‌های دقیق و صحیح، تعیین ژن‌های پیش‌برنده سرطان و ارائه مدلی به جهت ادغام اطلاعات بدست‌آمده از بررسی‌های ژنومیکی، ترانسکریپتومیکی، متابولمیکی، پروتئومیکی و اپی‌ژنومیکی می‌باشند. زیست‌شناسان اهمیت واریانت‌های گزارش‌شده را در فرآیند تکامل سرطان مورد بررسی قرار می‌دهند. پزشکان نیز اهمیت واریانت را در ارتباط با پیش‌آگهی بیماری و پاسخ به درمان، مورد ارزیابی قرار می‌دهند. زیرساخت‌های مناسب درون هر مؤسسه تحقیقاتی مشتمل بر کلینیک به جهت تهیه نمونه‌های بیمار، آزمایشگاه برای تعیین توالی و انجام تست‌های ژنتیک و بخش بیوانفورماتیک به جهت تحلیل داده‌ها، باعث می‌شود تا بتوان از اطلاعاتی که درباره‌ی تعیین توالی بدست آمده، در بالین و درمان بهره جست. همچنین، آگاهی داشتن از پایگاه‌های داده‌ها و در دسترس بودن آن‌ها که بتوان به اطلاعات مناسبی در ارتباط با تغییرات ژنومی و فنوتیپ ناشی از آن‌ها دست یافت، مهم می‌باشند. با توجه به موارد یاد شده، استفاده از اطلاعات بدست آمده از NGS امکان تشخیص علل زمینه‌ای ژنتیکی سرطان‌ها و فهم بهتر عوامل دخیل در روند تکاملی این بیماری‌ها را فراهم می‌کند که این نیز به‌نوبه‌ی خود می‌تواند منجر به بکارگیری درمان‌های اختصاصی و هدفمند در این عرصه گردد.

 

در ترجمه این متن از راهنمایی‌های ارزنده همکار گرامی جناب آقای دکتر شهرام نعمتی برخوردار شدم که بدین وسیله مراتب قدردانی خود را از ایشان ابراز می‌نمایم.

 

References:

  1. Taylor BS, Ladanyi M: Clinical cancer genomics: how soon is now? J Pathol

2011, 223:318–326.

  1. Sosman JA, Kim KB, Schuchter L, Gonzalez R, Pavlick AC, Weber JS, McArthur

GA, Hutson TE, Moschos SJ, Flaherty KT, Hersey P, Kefford R, Lawrence D,

Puzanov I, Lewis KD, Amaravadi RK, Chmielowski B, Lawrence HJ, Shyr Y, Ye

F, Li J, Nolop KB, Lee RJ, Joe AK, Ribas A: Survival in BRAF V600-mutant

advanced melanoma treated with vemurafenib. N Engl J Med 2012,

366:707–714.

  1. Metzker ML: Sequencing technologies – the next generation. Nat Rev

Genet 2010, 11:31–46.

  1. Wold B, Myers RM: Sequence census methods for functional genomics.

Nat Methods 2008, 5:19–21.

  1. Cancer Genome Atlas Research Network: Comprehensive molecular

portraits of human breast tumours. Nature 2012, 490:61–70.

  1. Banerji S, Cibulskis K, Rangel-Escareno C, Brown KK, Carter SL, Frederick AM,

Lawrence MS, Sivachenko AY, Sougnez C, Zou L, Cortes ML, FernandezLopez

JC, Peng S, Ardlie KG, Auclair D, Bautista-Pina V, Duke F, Francis J,

Jung J, Maffuz-Aziz A, Onofrio RC, Parkin M, Pho NH, Quintanar-Jurado V,

Ramos AH, Rebollar-Vega R, Rodriguez-Cuevas S, Romero-Cordoba SL,

Schumacher SE, Stransky N, Thompson KM, Uribe-Figueroa L, Baselga J,

Beroukhim R, Polyak K, Sgroi DC, Richardson AL, Jimenez-Sanchez G, Lander

ES, Gabriel SB, Garraway LA, Golub TR, Melendez-Zajgla J, Toker A, Getz G,

Hidalgo-Miranda A, Meyerson M: Sequence analysis of mutations and

translocations across breast cancer subtypes. Nature 2012, 486:405–409.

7.

Ellis MJ, et al: Whole-genome analysis informs breast cancer response to

aromatase inhibition. Nature 2012, 486:353–360.

  1. Stephens PJ, et al: Complex landscapes of somatic rearrangement in

human breast cancer genomes. Nature 2009, 462:1005–1010.

  1. Stephens PJ, et al: The landscape of cancer genes and mutational

processes in breast cancer. Nature 2012, 486:400–404.

  1. Nik-Zainal S, et al: The life history of 21 breast cancers. Cell 2012,

149:994–1007.

  1. Shah SP, et al: The clonal and mutational evolution spectrum of primary

triple-negative breast cancers. Nature 2012, 486:395–399.

  1. Nik-Zainal S, et al: Mutational processes molding the genomes of 21

breast cancers. Cell 2012, 149:979–993.

  1. Cancer Genome Atlas Research Network: Integrated genomic analyses of

ovarian carcinoma. Nature 2011, 474:609–615.

  1. Cancer Genome Atlas Research Network: Comprehensive molecular

characterization of human colon and rectal cancer. Nature 2012,

487:330–337.

  1. Seshagiri S, Stawiski EW, Durinck S, Modrusan Z, Storm EE, Conboy CB,

Chaudhuri S, Guan Y, Janakiraman V, Jaiswal BS, Guillory J, Ha C, Dijkgraaf

GJ, Stinson J, Gnad F, Huntley MA, Degenhardt JD, Haverty PM, Bourgon R,

Wang W, Koeppen H, Gentleman R, Starr TK, Zhang Z, Largaespada DA, Wu

TD, de Sauvage FJ: Recurrent R-spondin fusions in colon cancer.

Nature 2012, 488:660–664.

  1. Hammerman PS, Hayes DN, Wilkerson MD, Schultz N, Bose R, Chu A,

Collisson EA, Cope L, Creighton CJ, Getz G, Herman JG, Johnson BE,

Kucherlapati R, Ladanyi M, Maher CA, Robertson G, Sander C, Shen R, Sinha

R, Sivachenko A, Thomas RK, Travis WD, Tsao MS, Weinstein JN, Wigle DA,

Baylin SB, Govindan R, Meyerson M: Comprehensive genomic

characterization of squamous cell lung cancers. Nature 2012, 489:519–525.

  1. Totoki Y, Tatsuno K, Yamamoto S, Arai Y, Hosoda F, Ishikawa S, Tsutsumi S,

Sonoda K, Totsuka H, Shirakihara T, Sakamoto H, Wang L, Ojima H, Shimada

K, Kosuge T, Okusaka T, Kato K, Kusuda J, Yoshida T, Aburatani H, Shibata T:

High-resolution characterization of a hepatocellular carcinoma genome.

Nat Genet 2011, 43:464–469.

  1. Gerlinger M, Rowan AJ, Horswell S, Larkin J, Endesfelder D, Gronroos E,

Martinez P, Matthews N, Stewart A, Tarpey P, Varela I, Phillimore B, Begum S,

McDonald NQ, Butler A, Jones D, Raine K, Latimer C, Santos CR, Nohadani

M, Eklund AC, Spencer-Dene B, Clark G, Pickering L, Stamp G, Gore M,

Szallasi Z, Downward J, Futreal PA, Swanton C: Intratumor heterogeneity

and branched evolution revealed by multiregion sequencing. N Engl J

Med 2012, 366:883–892.

  1. Agrawal N, Frederick MJ, Pickering CR, Bettegowda C, Chang K, Li RJ, Fakhry

C, Xie TX, Zhang J, Wang J, Zhang N, El-Naggar AK, Jasser SA, Weinstein JN,

Trevino L, Drummond JA, Muzny DM, Wu Y, Wood LD, Hruban RH, Westra

WH, Koch WM, Califano JA, Gibbs RA, Sidransky D, Vogelstein B, Velculescu

VE, Papadopoulos N, Wheeler DA, Kinzler KW, Myers JN: Exome sequencing

of head and neck squamous cell carcinoma reveals inactivating

mutations in NOTCH1. Science 2011, 333:1154–1157.

  1. Berger MF, et al: Melanoma genome sequencing reveals frequent PREX2

mutations. Nature 2012, 485:502–506.

  1. Ding L, et al: Clonal evolution in relapsed acute myeloid leukaemia

revealed by whole-genome sequencing. Nature 2012, 481:506–510.

  1. Welch JS, et al: The origin and evolution of mutations in acute myeloid

leukemia. Cell 2012, 150:264–278.

  1. Wong KM, Hudson TJ, McPherson JD: Unraveling the genetics of cancer:

genome sequencing and beyond. Annu Rev Genomics Hum Genet 2011,

12:407–430.

  1. Cahill DP, Kinzler KW, Vogelstein B, Lengauer C: Genetic instability and

darwinian selection in tumours. Trends Cell Biol 1999, 9:M57–M60.

  1. Brosnan JA, Iacobuzio-Donahue CA: A new branch on the tree: nextgeneration

sequencing in the study of cancer evolution. Semin Cell Dev

Biol 2012, 23:237–242.

  1. Swanton C: Intratumor heterogeneity: evolution through space and time.

Cancer Res 2012, 72:4875–4882.

  1. Russnes HG, Navin N, Hicks J, Borresen-Dale AL: Insight into the

heterogeneity of breast cancer through next-generation sequencing.

J Clin Invest 2011, 121:3810–3818.

  1. Samuel N, Hudson TJ: Translating Genomics to the Clinic. Clinical chemistry:

Implications of Cancer Heterogeneity; 2012.

  1. Almendro V, Fuster G: Heterogeneity of breast cancer: etiology and

clinical relevance. Clinical & translational oncology: official publication of the

Federation of Spanish Oncology Societies and of the National Cancer Institute

of Mexico 2011, 13:767–773.

  1. Yancovitz M, Litterman A, Yoon J, Ng E, Shapiro RL, Berman RS, Pavlick AC,

Darvishian F, Christos P, Mazumdar M, Osman I, Polsky D: Intra- and intertumor

heterogeneity of BRAF(V600E))mutations in primary and

metastatic melanoma. PLoS One 2012, 7:e29336.

  1. Curtis C, Shah SP, Chin SF, Turashvili G, Rueda OM, Dunning MJ, Speed D,

Lynch AG, Samarajiwa S, Yuan Y, Graf S, Ha G, Haffari G, Bashashati A, Russell

R, McKinney S, Langerod A, Green A, Provenzano E, Wishart G, Pinder S,

Watson P, Markowetz F, Murphy L, Ellis I, Purushotham A, Borresen-Dale AL,

Brenton JD, Tavare S, Caldas C, Aparicio S: The genomic and

transcriptomic architecture of 2,000 breast tumours reveals novel

subgroups. Nature 2012, 486:346–352.

  1. Desai AN, Jere A: Next-generation sequencing: ready for the clinics? Clin

Genet 2012, 81:503–510.

  1. Welch JS, Westervelt P, Ding L, Larson DE, Klco JM, Kulkarni S, Wallis J, Chen

K, Payton JE, Fulton RS, Veizer J, Schmidt H, Vickery TL, Heath S, Watson MA,

Tomasson MH, Link DC, Graubert TA, DiPersio JF, Mardis ER, Ley TJ, Wilson

RK: Use of whole-genome sequencing to diagnose a cryptic fusion

oncogene. JAMA 2011, 305:1577–1584.

  1. Li H, Ruan J, Durbin R: Mapping short DNA sequencing reads and calling

variants using mapping quality scores. Genome Res 2008, 18:1851–1858.

  1. Li H, Durbin R: Fast and accurate short read alignment with BurrowsWheeler

transform. Bioinformatics 2009, 25:1754–1760.

  1. Li H, Durbin R: Fast and accurate long-read alignment with BurrowsWheeler

transform. Bioinformatics 2010, 26:589–595.

  1. Langmead B, Salzberg SL: Fast gapped-read alignment with Bowtie 2. Nat

Methods 2012, 9:357–359.

  1. Homer N, Merriman B, Nelson SF: BFAST: an alignment tool for large scale

genome resequencing. PLoS One 2009, 4:e7767.

  1. Li R, Yu C, Li Y, Lam TW, Yiu SM, Kristiansen K, Wang J: SOAP2: an

improved ultrafast tool for short read alignment. Bioinformatics 2009,

25:1966–1967.

  1. Ning Z, Cox AJ, Mullikin JC: SSAHA: a fast search method for large DNA

databases. Genome Res 2001, 11:1725–1729.

  1. Rumble SM, Lacroute P, Dalca AV, Fiume M, Sidow A, Brudno M: SHRiMP:

accurate mapping of short color-space reads. PLoS Comput Biol 2009,

5:e1000386.

  1. DePristo MA, Banks E, Poplin R, Garimella KV, Maguire JR, Hartl C, Philippakis

AA, del Angel G, Rivas MA, Hanna M, McKenna A, Fennell TJ, Kernytsky AM,

Sivachenko AY, Cibulskis K, Gabriel SB, Altshuler D, Daly MJ: A framework

for variation discovery and genotyping using next-generation DNA

sequencing data. Nat Genet 2011, 43:491–498.

  1. Li H, Handsaker B, Wysoker A, Fennell T, Ruan J, Homer N, Marth G, Abecasis

G, Durbin R: The Sequence Alignment/Map format and SAMtools.

Bioinformatics 2009, 25:2078–2079.

  1. Li R, Li Y, Fang X, Yang H, Wang J, Kristiansen K: SNP detection for

massively parallel whole-genome resequencing. Genome Res 2009,

19:1124–1132.

  1. Goya R, Sun MG, Morin RD, Leung G, Ha G, Wiegand KC, Senz J, Crisan A,

Marra MA, Hirst M, Huntsman D, Murphy KP, Aparicio S, Shah SP: SNVMix:

predicting single nucleotide variants from next-generation sequencing

of tumors. Bioinformatics 2010, 26:730–736.

  1. Koboldt DC, Chen K, Wylie T, Larson DE, McLellan MD, Mardis ER, Weinstock

GM, Wilson RK, Ding L: VarScan: variant detection in massively parallel

sequencing of individual and pooled samples. Bioinformatics 2009,

25:2283–2285.

  1. Lam HY, Pan C, Clark MJ, Lacroute P, Chen R, Haraksingh R, O’Huallachain M,

Gerstein MB, Kidd JM, Bustamante CD, Snyder M: Detecting and

annotating genetic variations using the HugeSeq pipeline. Nat Biotechnol

2012, 30:226–229.

  1. Liu Q, Guo Y, Li J, Long J, Zhang B, Shyr Y: Steps to ensure accuracy in

genotype and SNP calling from Illumina sequencing data. BMC Genomics

2012, 13:S8.

  1. Wang W, Wei Z, Lam TW, Wang J: Next generation sequencing has lower

sequence coverage and poorer SNP-detection capability in the

regulatory regions. Sci Rep 2011, 1:55.

  1. Koboldt DC, Zhang Q, Larson DE, Shen D, McLellan MD, Lin L, Miller CA,

Mardis ER, Ding L, Wilson RK: VarScan 2: somatic mutation and copy

number alteration discovery in cancer by exome sequencing. Genome

Res 2012, 22:568–576.

  1. Larson DE, Harris CC, Chen K, Koboldt DC, Abbott TE, Dooling DJ, Ley TJ,

Mardis ER, Wilson RK, Ding L: SomaticSniper: identification of somatic

point mutations in whole genome sequencing data. Bioinformatics 2012,

28:311–317.

  1. Roth A, Ding J, Morin R, Crisan A, Ha G, Giuliany R, Bashashati A, Hirst M,

Turashvili G, Oloumi A, Marra MA, Aparicio S, Shah SP: JointSNVMix: a

probabilistic model for accurate detection of somatic mutations in

normal/tumour paired next-generation sequencing data. Bioinformatics

2012, 28:907–913.

  1. Kumar P, Henikoff S, Ng PC: Predicting the effects of coding nonsynonymous

variants on protein function using the SIFT algorithm. Nat

Protoc 2009, 4:1073–1081.

  1. Adzhubei IA, Schmidt S, Peshkin L, Ramensky VE, Gerasimova A, Bork P,

Kondrashov AS, Sunyaev SR: A method and server for predicting

damaging missense mutations. Nat Methods 2010, 7:248–249.

  1. Wong WC, Kim D, Carter H, Diekhans M, Ryan MC, Karchin R: CHASM and

SNVBox: toolkit for detecting biologically important single nucleotide

mutations in cancer. Bioinformatics 2011, 27:2147–2148.

  1. Wang K, Li M, Hakonarson H: ANNOVAR: functional annotation of genetic

variants from high-throughput sequencing data. Nucleic Acids Res 2010,

38:e164.

  1. Chen K, Wallis JW, McLellan MD, Larson DE, Kalicki JM, Pohl CS, McGrath SD,

Wendl MC, Zhang Q, Locke DP, Shi X, Fulton RS, Ley TJ, Wilson RK, Ding L,

Mardis ER: BreakDancer: an algorithm for high-resolution mapping of

genomic structural variation. Nat Methods 2009, 6:677–681.

  1. Hormozdiari F, Hajirasouliha I, Dao P, Hach F, Yorukoglu D, Alkan C, Eichler

EE, Sahinalp SC: Next-generation VariationHunter: combinatorial

algorithms for transposon insertion discovery. Bioinformatics 2010,

26:i350–i357.

  1. Korbel JO, Abyzov A, Mu XJ, Carriero N, Cayting P, Zhang Z, Snyder M,

Gerstein MB: PEMer: a computational framework with simulation-based

error models for inferring genomic structural variants from massive

paired-end sequencing data. Genome Biol 2009, 10:R23.

  1. Zeitouni B, Boeva V, Janoueix-Lerosey I, Loeillet S, Legoix-ne P, Nicolas A,

Delattre O, Barillot E: SVDetect: a tool to identify genomic structural

variations from paired-end and mate-pair sequencing data. Bioinformatics

2010, 26:1895–1896.

  1. Trapnell C, Pachter L, Salzberg SL: TopHat: discovering splice junctions

with RNA-Seq. Bioinformatics 2009, 25:1105–1111.

  1. Wang K, Singh D, Zeng Z, Coleman SJ, Huang Y, Savich GL, He X,

Mieczkowski P, Grimm SA, Perou CM, MacLeod JN, Chiang DY, Prins JF, Liu

J: MapSplice: accurate mapping of RNA-seq reads for splice junction

discovery. Nucleic Acids Res 2010, 38:e178.

  1. Au KF, Jiang H, Lin L, Xing Y, Wong WH: Detection of splice junctions from

paired-end RNA-seq data by SpliceMap. Nucleic Acids Res 2010,

38:4570–4578.

  1. Wu TD, Nacu S: Fast and SNP-tolerant detection of complex variants and

splicing in short reads. Bioinformatics 2010, 26:873–881.

  1. Dobin A, Davis CA, Schlesinger F, Drenkow J, Zaleski C, Jha S, Batut P,

Chaisson M, Gingeras TR: STAR: ultrafast universal RNA-seq aligner.

Bioinformatics 2013, 29:15–21.

  1. Anders S, Huber W: Differential expression analysis for sequence count

data. Genome Biol 2010, 11:R106.

  1. Robinson MD, McCarthy DJ, Smyth GK: edgeR: a Bioconductor package for

differential expression analysis of digital gene expression data.

Bioinformatics 2010, 26:139–140.

  1. Trapnell C, Hendrickson DG, Sauvageau M, Goff L, Rinn JL, Pachter L:

Differential analysis of gene regulation at transcript resolution with

RNA-seq. Nat Biotechnol 2012, 31:46–53.

  1. Trapnell C, Roberts A, Goff L, Pertea G, Kim D, Kelley DR, Pimentel H,

Salzberg SL, Rinn JL, Pachter L: Differential gene and transcript expression

analysis of RNA-seq experiments with TopHat and Cufflinks. Nat Protoc

2012, 7:562–578.

  1. Griffith M, Griffith OL, Mwenifumbo J, Goya R, Morrissy AS, Morin RD,

Corbett R, Tang MJ, Hou YC, Pugh TJ, Robertson G, Chittaranjan S, Ally A,

Asano JK, Chan SY, Li HI, McDonald H, Teague K, Zhao Y, Zeng T, Delaney A,

Hirst M, Morin GB, Jones SJ, Tai IT, Marra MA: Alternative expression

analysis by RNA sequencing. Nat Methods 2010, 7:843–847.

  1. Katz Y, Wang ET, Airoldi EM, Burge CB: Analysis and design of RNA

sequencing experiments for identifying isoform regulation. Nat Methods

2010, 7:1009–1015.

  1. Kim D, Salzberg SL: TopHat-Fusion: an algorithm for discovery of novel

fusion transcripts. Genome Biol 2011, 12:R72.

  1. Chen K, Wallis JW, Kandoth C, Kalicki-Veizer JM, Mungall KL, Mungall AJ,

Jones SJ, Marra MA, Ley TJ, Mardis ER, Wilson RK, Weinstein JN, Ding L:

BreakFusion: targeted assembly-based identification of gene fusions in

whole transcriptome paired-end sequencing data. Bioinformatics 2012,

28:1923–1924.

  1. Li Y, Chien J, Smith DI, Ma J: FusionHunter: identifying fusion transcripts

in cancer using paired-end RNA-seq. Bioinformatics 2011, 27:1708–1710.

  1. McPherson A, Hormozdiari F, Zayed A, Giuliany R, Ha G, Sun MG, Griffith M,

Heravi Moussavi A, Senz J, Melnyk N, Pacheco M, Marra MA, Hirst M, Nielsen

TO, Sahinalp SC, Huntsman D, Shah SP: deFuse: an algorithm for gene

fusion discovery in tumor RNA-Seq data. PLoS Comput Biol 2011,

7:e1001138.

  1. Piazza R, Pirola A, Spinelli R, Valletta S, Redaelli S, Magistroni V, GambacortiPasserini

C: FusionAnalyser: a new graphical, event-driven tool for fusion

rearrangements discovery. Nucleic Acids Res 2012, 40:e123.

  1. Vaske CJ, Benz SC, Sanborn JZ, Earl D, Szeto C, Zhu J, Haussler D, Stuart JM:

Inference of patient-specific pathway activities from multi-dimensional

cancer genomics data using PARADIGM. Bioinformatics 2010, 26:i237–i245.

  1. Cerami E, Demir E, Schultz N, Taylor BS, Sander C: Automated network

analysis identifies core pathways in glioblastoma. PLoS One 2010, 5:e8918.

  1. Ciriello G, Cerami E, Sander C, Schultz N: Mutual exclusivity analysis

identifies oncogenic network modules. Genome Res 2012, 22:398–406.

  1. Akavia UD, Litvin O, Kim J, Sanchez-Garcia F, Kotliar D, Causton HC,

Pochanard P, Mozes E, Garraway LA, Pe’er D: An integrated approach to

uncover drivers of cancer. Cell 2010, 143:1005–1017.

  1. Langmead B, Hansen KD, Leek JT: Cloud-scale RNA-sequencing differential

expression analysis with Myrna. Genome Biol 2010, 11:R83.

  1. Anders S, Reyes A, Huber W: Detecting differential usage of exons from

RNA-seq data. Genome Res 2012, 22:2008–2017.

  1. Forbes SA, Bindal N, Bamford S, Cole C, Kok CY, Beare D, Jia M, Shepherd R,

Leung K, Menzies A, Teague JW, Campbell PJ, Stratton MR, Futreal PA:

COSMIC: mining complete cancer genomes in the Catalogue of Somatic

Mutations in Cancer. Nucleic Acids Res 2011, 39:D945–D950.

  1. Cerami E, Gao J, Dogrusoz U, Gross BE, Sumer SO, Aksoy BA, Jacobsen A,

Byrne CJ, Heuer ML, Larsson E, Antipin Y, Reva B, Goldberg AP, Sander C,

Schultz N: The cBio cancer genomics portal: an open platform for

exploring multidimensional cancer genomics data. Cancer Discov 2012,

2:401–404.

  1. Gundem G, Perez-Llamas C, Jene-Sanz A, Kedzierska A, Islam A, Deu-Pons J,

Furney SJ, Lopez-Bigas N: IntOGen: integration and data mining of

multidimensional oncogenomic data. Nat Methods 2010, 7:92–93.

  1. Baudis M, Cleary ML: Progenetix.net: an online repository for molecular

cytogenetic aberration data. Bioinformatics 2001, 17:1228–1229.

  1. Treangen TJ, Salzberg SL: Repetitive DNA and next-generation

sequencing: computational challenges and solutions. Nat Rev Genet 2012,

13:36–46.

  1. Cooper GM, Shendure J: Needles in stacks of needles: finding disease-

causal variants in a wealth of genomic data. Nat Rev Genet 2011, 12:628–640.

  1. Nekrutenko A, Taylor J: Next-generation sequencing data interpretation:

enhancing reproducibility and accessibility. Nat Rev Genet 2012, 13:667–672.

  1. Eisenstein M: Reading cancer’s blueprint. Nat Biotechnol 2012, 30:581–584.
  2. Katsios C, Papaloukas C, Tzaphlidou M, Roukos DH: Next-generation

sequencing-based testing for cancer mutational landscape diversity:

clinical implications? Expert Rev Mol Diagn 2012, 12:667–670.

ژنومیکس و کاربرد آن در تشخیص بیماری‌ها (2)

نقش NGS در تحقیقات سرطان و کاربرد بالینی آن (1)

برای دانلود فایل pdf  بر روی لینک زیر کلیک کنید

خواندن تمام مطلب
پاسخی قرار دهید

ایمیل شما هنوز ثبت نشده است.

slot gacor 2023