普林斯顿大学的研究人员开发了一种新的计算方法，可以提高追踪癌细胞从身体的一个部位扩散到另一个部位的能力。
这种细胞的迁移可能导致转移性疾病，导致约90%的癌症患者死于实体肿瘤——大量细胞生长在乳腺、前列腺或结肠等器官中。了解转移的驱动因素可能会导致旨在阻止癌症在体内扩散的新疗法。
“这些细胞中是否有特定的变化或突变使它们能够迁移?”普林斯顿大学计算机科学教授、这项新研究的资深作者本·拉斐尔(Ben Raphael)问道。“这一直是最大的谜团之一。”
在《自然遗传学》五月号上发表的一项研究中，拉斐尔和他的同事们提出了一种算法，可以通过整合DNA序列数据和细胞在体内的位置信息来追踪癌症的转移。他们称之为MACHINA，意思是“转移和克隆历史综合分析”。
“我们的算法使研究人员能够从目前获得的DNA序列数据推断过去的转移过程，”拉斐尔说。
这项技术比以往仅依靠DNA序列的方法进行的研究更清楚地描绘了癌症的迁移历史。其中一些研究推断了复杂的迁移模式，这些模式并没有反映当前癌症生物学的知识。
“我们现在得到的数据集非常复杂，但复杂的数据集并不总是需要复杂的解释，”拉斐尔说。
通过同时追踪细胞的突变和运动，MACHINA发现，一些病人的转移性疾病可能是由于细胞迁移比以前认为的要少。例如，在一名乳腺癌患者中，先前发表的一项分析表明，转移性疾病是由14个独立的迁移事件引起的，而MACHINA则认为，肺部的单个继发性肿瘤仅通过5个细胞迁移播下了剩余转移的种子。除了乳腺癌数据集，Raphael和他的团队还应用他们的算法分析了黑色素瘤、卵巢癌和前列腺癌患者的转移模式。
几个额外的功能有助于提高MACHINA的准确性。该算法包括一个基因不同细胞的共聚合模型，该模型基于实验证据，证明肿瘤细胞可以成群结队地迁移到身体的新部位。这也解释了DNA数据的不确定性，这些数据来自于基因不同的肿瘤细胞和健康细胞的测序混合物。
伦敦癌症研究所(Institute of Cancer Research)进化与癌症研究员安德里亚·索托里娃(Andrea Sottoriva)表示，这种方法克服了许多挑战，从肿瘤DNA测序“难以分析、嘈杂”的数据中得出有意义的结论。他说:“我预计这种新方法将在基因组学领域得到广泛应用，并将为癌症进化中最致命的阶段提供新的线索。”
MACHINA的开发为更广泛地研究大规模癌症患者的转移模式铺平了道路，这可能揭示导致不同类型癌症扩散的关键突变。
拉斐尔还计划通过整合肿瘤DNA和血液循环肿瘤细胞的数据，以及表观遗传变化(DNA的可逆化学修饰)，使这种方法更加强大。
“一个更好的算法就像一个更好的显微镜，”拉斐尔说。“当你用放大镜观察大自然时，你可能会忽略一些重要的细节。如果你用显微镜看，你能看到更多。”
其他的研究作者是Mohammed El-Kebir，他曾是拉斐尔团队的博士后研究员，现在是伊利诺伊大学厄巴纳-香槟分校的助理教授;以及博士生格里特·萨塔斯。这项工作得到了美国国立卫生研究院(National Institutes of Health)和美国国家科学基金会(National Science Foundation)的支持。