دانلود ترجمه مقاله استنباط فیلوژنتیک تنوع ساختاری در نمونه های ژنومی تومور

1. مقدمه 2. روشها 3. نتایج 4. بحث و بررسی

مقدمه: روشهای ژنومی اطلاعات زیادی درباره چشم انداز جهشی رشد سرطان ارائه کرده اند، ولی نیاز زیاد به مدلهای محاسباتی پیچیده جهت درک داده های حاصل را نیز باعث شده اند. آنها تنوع گسترده بیمار به بیمار (ناهمگنی بین تومور) و همچنین سلول به سلول در تک تک بیماران (ناهمگنی میان تومور) را نشان داده و نسبت به مدلهای جهشی اولیه، چشم اندازه پیچیده تری از تغییرات جسمی به هنگام رشد سرطان پیشنهاد داده و پیش بینی کرده اند. استخراج چشم انداز بیولوژیکی معنی دار از چنین داده های چالش برانگیز است. تلاش زیادی بر مشکل شناسایی تنوعات مرتبط با تشخیص و پیشرفت تومور – که محرک نامیده می شوند- از نویز پس زمینه چندین جهش تصادفی صورت گرفته همراه با رشد تومور متمرکز بوده است، علیرغم اینکه از نظر کاربردی نامرتبط بوده و مسافر نامیده می شوند. اخیرا توجه به سمت، درک آنچه می توان از مسافرین یاد گرفت، نحوه شکل گیری ژنوم از طریق مراحل پیشرفت توسط طیف جهشی تومور خاص [1] و نحوه پیش بینی پیشرفت آن در آینده به وسیله دانش و کمک به بهبود پیشرفت، تغییر کرده است. اینها مشکلات حل نشده ای می باشند که اگر محققین در زمینه سرطان، قصد درک کتابخانه های روز افزون مربوط به تنوع ژنتیکی سرطان را دارند، باید بررسی شوند. پیشرفت کلیدی در زمینه درک داده های ژنومی تومور، ظهور فیلوژنتیک تومور بود، یعنی استفاده از استنباط فیلوژنتیک برای بازسازی پیشرفت تومور. این زمینه ناشی از این مشاهده است که پیشرفت سرطان، اساسا تکامل جمعیت سلول کلونی و اصل قابل تفسیر از طریق الگوریتم های بازسازی درختهای تکاملی یعنی فیلوژنتیک است. خود فیلوژنتیک تومور، تکامل زیادی از کاربرد اولیه آن در درک ناهمگنی میان تومور توسط مدلهای درخت انکوژنتیک تا ظهور روشهای تفسیر تنوع بین مناطق مجزای تومور، بین سلولهای مجزای تومورها و در نهایت با تنوعات اخیر داشته است که بدنبال تبیین تکامل کلی ژنوم تک سلولهای متعدد هر تومور می باشد. داده های ژنومی تک سلول در حال دسترسی هستند، البته اکثریت جمعیت بیماران غیرجزئی هنوزهم محدود به داده های توالی توده بوده و میانگین فرکانس را در چندین تک سلولی فراهم می آورند. روشهای مدرن کار با چنین داده هایی، استنباط فیلوژنتیک را با مرحله دکانولوشن ترکیب می کند که در آن جمعیت هایی از نمونه های ژنومی مخلوط قبل از، یا همزمان با استنباط روابط فیلوژنتیک بین این جمعیت ها استنباط می شود. اکنون، روشهای مختلف فیلوژنی تومور در این مدل پایه براساس دکانولوشن مشترک و فیلوژنتیک کار می کنند که مثالهای قابل توجه عبارتند از THeTA [21], Pyclone [25], Canopy [13], PhyloWGS [6], SPRUCE [9], CITUP [16]. برای بررسیهای اخیر به [2،26] مراجعه کنید.

Introduction: Genomic methods have provided a wealth of information about mutational landscapes of developing cancers, but have also created a great need for sophisticated computational models to make sense of the resulting data. They have revealed extensive variation patient-to-patient (intertumor heterogeneity) as well as cell-to-cell within single patients (intratumor heterogeneity) [17] and suggested a far more complex landscape of somatic variations in cancer development than earlier mutational models [20, 11] had anticipated. Extracting meaningful biological insight from such data nonetheless remains challenging. Much effort has focused on the difficulty of identifying those variants relevant to tumorigenesis and progression, known as the drivers, from the background noise of the many more chance mutations carried along with a developing tumor despite being functional irrelevant, known as the passengers [18]. More recently, attention has shifted to understanding what one can learn even from passengers regarding how a particular tumor's mutational spectrum [1] shapes its genome across stages of progression and how that knowledge can predict its future progression and help improve prognosis. These remain substantively unsolved problems that must be better tackled if cancer researchers are to make sense of enormous and ever-growing libraries of genetic variations in cancers. One key advance in understanding tumor genomic data was the advent of tumor phylogenetics, i.e., the use of phylogenetic inference to reconstruct tumor progression. This field arose from the observation that cancer progression is fundamentally the evolution of clonal cell populations and thus in principle interpretable via algorithms for reconstructing evolutionary trees, i.e., phylogenetics. Tumor phylogenetics itself has greatly evolved, from its initial use in making sense of intertumor heterogeneity via oncogenetic tree models [7], through the advent of methods for interpreting variation between distinct tumor regions [15, 14], between distinct cells in single tumors [22], and ultimately to recent variants that seek to explain whole-genome evolution of numerous single-cells per tumor [24, 12, 33]. Single-cell genomic data is beginning to become available in quantity, though, most studies of non-trivial patient populations are still limited to bulk sequence data, providing at best variant frequencies averaged across many single cells. Modem methods for working with such data combine phylogenetic inference with a deconvolution step, in which one infers clonal subpopulations from mixed genomic samples prior to or concurrent with inferring phylogenetic relationships between those subpopulations [27]. Numerous tumor phylogeny methods now work on this basic model of joint deconvolution and phylogenetics, with prominent examples including THeTA [21], Pyclone [25], Canopy [13], PhyloWGS [6], SPRUCE [9], and CITUP [16]. See [2, 26] for recent reviews.

بخشی از ترجمه مقاله (صفحه 16 فایل ورد ترجمه)