Multiômica de célula única com reconhecimento de haplótipo para caracterizar funcionalmente SVs. uma, Aproveitando o Strand-seq, o scNOVA realiza a descoberta de SV e, em seguida, usando trilhas de NO em fases, identifica efeitos funcionais de SVs localmente (através da avaliação de NO específico do haplótipo) e globalmente (NO específico do clone). Laranja, leituras Strand-seq mapeadas para a vertente Watson (W); verde, lê-se mapeado para a vertente Crick (C). b, Faixas de NO baseadas em Strand-seq em NA12878 revelam posições de nucleossomos bem concordantes com MNase-seq em massa, representadas para um locus do cromossomo 12 com posicionamento de nucleossomo relativamente regular. Vermelho, NO rastreia o mapeamento para o haplótipo 1 (H1); azul, H2; preto, combinando leituras faseadas e não faseadas; cinza, MNase-seq. o y O eixo representa as contagens médias de leitura em cada bp em caixas de 10 bp. cCorrelacionou NO em sítios hipersensíveis de DNase I de consenso para NA12878. dPadrões médios de nucleossomos em sítios de ligação CTCF em NA12878, usando pseudobulk Strand-seq e MNase-seq. e, FCs de NO resolvido por haplótipo em corpos gênicos plotados para o cromossomo X e o cromossomo 7 (um autossomo representativo) em NA12878. FCs de medições de expressão de RNA resolvidas por haplótipos são mostradas à direita. fPseudobulk haplotype-phased NO rastreamento de éxons do gene representativo do cromossomo X SH3KBP1 baseado em Strand-seq. Boxplots comparando H1 e H2 usam testes de soma de classificação de Wilcoxon de dois lados seguidos por correção de teste múltiplo de Benjamini-Hochberg (FDR) (boxplots definidos por mínimos = 25º percentil – 1,5 × intervalo interquartil (IQR), máximos = 75º percentil + 1,5 × IQR, centro = mediana e limites da caixa = percentil 25 e 75; n = 47 células individuais). Os gráficos de barras mostram a expressão de RNA específica do haplótipo de SH3KBP1 (teste de razão de verossimilhança bilateral seguido de correção FDR; n = 4 réplicas biológicas; os dados são apresentados como valores médios ± sem). g, Correlação inversa de NO em corpos gênicos e expressão gênica. NO é baseado em pseudobulk Strand-seq bibliotecas de RPE-1. Os corpos dos genes foram dimensionados para o mesmo comprimento. h, Tipagem celular baseada em NO em corpos gênicos (AUC = 0,96). Códigos de linha celular: Azul, RPE-1; Roxo, BM510; Magenta, C7; LV, variável latente. eu, Características operacionais do receptor para inferir a atividade genética alterada analisando o NO nos corpos dos genes, usando bibliotecas Strand-seq pseudobulk da mistura de células in silico. Crédito: Natureza Biotecnologia (2022). DOI: 10.1038/s41587-022-01551-4
O câncer tem muitas faces – não é de admirar, então, que a gama de mutações causadoras de câncer também seja enorme. A totalidade dessas alterações genômicas em um indivíduo é o que os especialistas chamam de “paisagem mutacional”. Essas paisagens diferem umas das outras dependendo do tipo de câncer. E mesmo as pessoas que sofrem do mesmo câncer geralmente têm diferentes padrões de mutação.
Os pesquisadores já catalogaram as paisagens mutacionais de vários tipos de câncer. Variantes estruturais somáticas (SVs) demonstraram ser responsáveis por mais da metade de todos os cânceres mutações. Essas são aquelas mutações nas células que surgem ao longo da vida – como quando erros de cópia se infiltram no DNA durante divisão celular— e, assim, alterar a estrutura do cromossomo.
Eles não são herdados e são encontrados apenas nas células afetadas e em seus células filhas. À medida que envelhecemos, essas alterações genômicas tornam-se mais numerosas e a paisagem mutacional de uma pessoa cada vez mais se assemelha a um mosaico único.
Embora as SVs somáticas desempenhem um papel crucial no desenvolvimento do câncer, relativamente pouco se sabe sobre elas. “Há uma falta de métodos que analisem seus efeitos na função celular”, explica o Dr. Ashley Sanders, que dirige o Laboratório de Estabilidade do Genoma e Mosaicismo Somático no Max Delbrück Center. Isso está mudando graças a novas descobertas de pesquisas, que Sanders publicou recentemente na revista Natureza Biotecnologia juntamente com o Laboratório Europeu de Biologia Molecular (EMBL).
“Desenvolvemos um método de análise computacional para detectar e identificar os efeitos funcionais das SVs somáticas”, relata ela. Isso permitiu que a equipe entendesse as consequências moleculares de mutações somáticas individuais em diferentes pacientes com leucemia, dando-lhes novos insights sobre as alterações específicas da mutação. Sanders diz que também pode ser possível usar essas descobertas para desenvolver terapias que visam as células mutantes, acrescentando que “elas abrem novos caminhos para a medicina personalizada”.
Ainda mais detalhado do que as análises convencionais de célula única
Seus cálculos são baseados em dados do Strand-seq – um método especial de sequenciamento de célula única que Sanders desempenhou um papel fundamental no desenvolvimento e que foi apresentado pela primeira vez à comunidade científica em 2012. Essa técnica pode examinar o genoma de uma célula com muito mais detalhes do que tecnologias convencionais de sequenciamento de célula única.
Graças a um sofisticado protocolo experimental, o método Strand-seq pode analisar independentemente as duas cadeias de DNA parentais (uma do pai e outra da mãe). Com métodos convencionais de sequenciamento, é quase impossível distinguir esses homólogos – cromossomos que são semelhantes em forma e estrutura, mas não idênticos.
“Ao resolver os homólogos individuais dentro de uma célula, os SVs somáticos podem ser identificados muito melhor do que com outros métodos”, explica Sanders. A abordagem usada para fazer isso foi descrita pela pesquisadora e seus colegas em um artigo que apareceu na Natureza Biotecnologia em 2020.
A equipe de pesquisa faz parte do foco de pesquisa conjunta “Abordagens de célula única para medicina personalizada” do Instituto de Saúde de Berlim em Charité (BIH), Charité – Universitätsmedizin Berlin e Max Delbrück Center.
Com base nesse trabalho, eles agora também são capazes de determinar as posições dos nucleossomos em cada célula. Os nucleossomos são unidades de DNA enroladas em complexos proteicos chamados histonas e desempenham um papel crucial na organização dos cromossomos. A posição dos nucleossomos pode mudar durante expressão genetica, com o tipo de embalagem revelando se um gene está ou não ativo. Sanders e seus colegas desenvolveram um algoritmo de autoaprendizagem para comparar a atividade genética de pacientes células com e sem mutações SV somáticas, permitindo determinar o impacto molecular das variantes estruturais.
Novos alvos para a terapia do câncer
“Agora podemos coletar uma amostra de um paciente, procurar as mutações que levaram à doença e também aprender as vias de sinalização que as mutações causadoras da doença interrompem”, explica Sanders. Por exemplo, a equipe conseguiu identificar uma mutação rara, mas muito agressiva, em um paciente com leucemia. A análise do nucleossomo forneceu aos pesquisadores informações sobre as vias de sinalização envolvidas, que eles usaram para inibir especificamente o crescimento de células contendo a mutação.
“Isso significa que um único teste nos diz algo sobre os mecanismos celulares envolvidos na Câncer formação”, diz Sanders. “Podemos eventualmente usar esse conhecimento para desenvolver tratamentos personalizados, guiados pela condição única de cada paciente.”
Mais Informações:
Hyobin Jeong et al, Análise funcional de variantes estruturais em células únicas usando Strand-seq, Natureza Biotecnologia (2022). DOI: 10.1038/s41587-022-01551-4
Ester Falconer et al, sequenciamento de cadeias de moldes de DNA de mapas de células únicas rearranjos genômicos em alta resolução, Métodos da Natureza(2012). DOI: 10.1038/nmeth.2206
Ashley D. Sanders et al, análise de célula única de variações estruturais e rearranjos complexos com processamento de três canais, Natureza Biotecnologia(2019). DOI: 10.1038/s41587-019-0366-x
Fornecido por
Centro Max Delbrück de Medicina Molecular
Citação: A análise de IA de mutações de câncer pode melhorar a terapia (2023, 25 de janeiro) recuperado em 25 de janeiro de 2023 em https://medicalxpress.com/news/2023-01-ai-analysis-cancer-mutations-therapy.html
Este documento está sujeito a direitos autorais. Além de qualquer negociação justa para fins de estudo ou pesquisa privada, nenhuma parte pode ser reproduzida sem a permissão por escrito. O conteúdo é fornecido apenas para fins informativos.
Segue as Notícias da Comunidade PortalEnf e fica atualizado.(clica aqui)
