دانلود ترجمه مقاله استنباط درخت تبارزایی تومور با استفاده از نمونه گیری مبتنی بر اهمیت

1. مقدمه 2. مواد و روش ها 3. نتایج 4. بحث و بررسی

مقدمه: تومورها با انباشت جهش های بدنی در طول عمر فرد در فرآیندی که تکامل کلون نامیده می شود، بوجود می آیند (ناول، 19769). بنابراین بسیاری از تومورها ناهمگون هستند و چندین جمعیت سلولی (یا کلون) را دربرمی گیرند که هر یک ترکیبی از جهش های بدنی منحصر به خود را دارند. این ناهمگونی درون تومور موجب می شود تشخیص و درمان سرطان پیچیده و دشوار باشد. بررسی دقیق فرآیند تکامل کلون که بوسیله درخت تبارزایی مدل سازی می شود و در شناخت پیشرفت سرطان بسیار مهم است و برای درمان های جامعی نیز که چندین کلون را درون تومور هدف قرار می دهند حائز اهمیت است. تحقیقات اخیر نشان می دهد که غالبا متاستاز از کلون های موجود در بخش اندکی از جمعیت های سلولی تومور روی می دهد؛ بعلاوه، در زمان تشخیص ممکن است بیماران از قبل کلون هایی در درون تومور داشته باشند که نسبت به درمان مقاوم باشند (اشمیت و همکارانش، 2016). برای مثال، در مطالعه اخیر روی بیمار مبتلا به سرطان خون مزمن (AML) (گریفیت و همکارانش، 2015)، کلونی با جهش محرک در IDH2، موجود در کمتر از 2% نمونه پیش درمان، کلون غالب در عود بعدی (بیماری) شناخته شد. بیشتر توالی یابی هایی که تاکنون در مورد سرطان صورت گرفته است، از جمله پروژه هایی در مقیاس بزرگ مثل اطلس ژنوم سرطان (TCGA) کنسرسیوم بین المللی ژنوم (ICGC)، توالی یابی بافت تومور به صورت توده است، و هر نمونه توالی یابی شده از ترکیب هزاران تا میلیون ها سلول تومور تشکیل شده است. این امر موجب می شود تحلیل تومورها پیچیده شود، زیرا سطح بالایی ناهمگونی در میان سلول های تومور پیش بینی می شود و پروفایل های جهش کلون های تشکیل دهنده را مستقیما مشاهده نمی کنیم. بلکه سیگنالی ترکیبی از همه مطالب ژنتیکی موجود در نمونه مشاهده می کنیم. توالی یابی یک سلول واحد (تک سلول) روشی برای بررسی تکامل تومور فراهم می کند و کار نویدبخشی در این جهت صورت گرفته است (جان و همکارانش، 2016؛ ونگ و همکارانش، 2014). با این حال، توالی یابی تک سلولی پرهزینه و مستعد خطاست (نوین، 2015). بنابراین بررسی ناهمگونی درون تومور و بازسازی تکامل تومور از روی داده های توالی یابی حجمی حوزه در حال رشد است.

Introduction: Tumors develop through the accumulation of somatic mutations during the lifetime of an individual in a process called clonal evolution (Nowell, 1976). Thus, many tumors are heterogeneous, containing multiple populations of cells (or clones), each with its own unique combination of somatic mutations. This intra-tumor heterogeneity complicates the diagnosis and treatment of cancer. Accurate characterization of the process of clonal evolution, modeled by a phylogenetic tree, is crucial to understanding cancer development, and also important for comprehensive treatments that target multiple clones within a tumor. Recent studies have shown that metastasis often occurs from clones present at minor proportion in the tumor cell population; moreover, at time of diagnosis patients may already have clones within their tumor that already possess resistance to the therapy (Schmitt et al., 2016). For example, in a recent study of an acute myeloid leukemia (AML) patient (Griffith et al., 2015), a clone with a driver mutation in IDH2, present in less than 2% of the pre-treatment sample, was found to be the dominant clone in the subsequent relapse. The vast majority of cancer sequencing performed to date, including in large scale projects such as The Cancer Genome Atlas (TCGA) and the International Cancer Genome Consortium (ICGC), is sequencing of bulk-tumor tissue, where each sequenced sample is composed of a mixture of thousands-millions of tumor cells. This complicates analysis of tumors, as we expect a high level of heterogeneity amongst individual tumor cells, and we do not observe the mutational profiles of component clones directly. Instead, we observe a mixed signal of all the genetic material present in the sample. Single-cell sequencing presents an alternative approach to characterize tumor evolution and there has been promising work in this direction (Jahn et al., 2016; Wang et al., 2014). However, single-cell sequencing remains error-prone and expensive (Navin, 2015). Thus, characterizing intra-tumor heterogeneity and reconstructing tumor evolution from bulk-sequencing data is an area of active development.

بخشی از ترجمه مقاله (صفحه 19 فایل ورد ترجمه)