体细胞突变全景图谱

体细胞突变全景图谱 （Pan-cancer Atlas of Somatic Mutations）

体细胞突变全景图谱（Pan-cancer atlas of somatic mutations）并非一个单一项目，而是指一系列大规模国际协作项目（如癌症基因组图谱、国际癌症基因组联盟等）通过高通量测序技术，对跨越多种癌症类型的大量肿瘤样本进行系统性基因组分析后，所绘制出的、全面揭示癌症体细胞突变规律、模式与特征的综合性知识库与数据资源。它旨在从全基因组尺度回答“癌症的基因组有哪些共同点和不同点？”这一核心问题，是癌症基因组学和精准肿瘤学的基石。

1. 核心目标与范畴

• 目标：系统性地描绘癌症体细胞突变的类型、频率、分布、成因（突变特征）及其与临床结局的关联。

• 范畴：“Pan-cancer”（全景癌种）意味着分析涵盖数十种乃至上百种不同的癌症类型，包括常见癌种和罕见癌种，从而能够进行跨癌种的比较分析。

2. 关键发现与组成部分

全景图谱的产出是多维度的，主要包括以下几类“图谱”：

• 2.1 突变频谱与特征图谱：

  • 揭示了不同癌症类型的突变负荷（Mutational burden）差异巨大（如黑色素瘤、肺癌突变负荷高，儿童肿瘤、白血病突变负荷低）。

  • 系统鉴定了数十种突变特征（Mutational signatures），将突变模式与潜在的病因（如吸烟、紫外线辐射、DNA修复缺陷、衰老）联系起来。

• 2.2 驱动基因与通路图谱：

  • 在全癌种范围内系统性地识别了数百个驱动基因（Driver genes），并评估了它们在特定癌种和所有癌种中的发生频率。

  • 将驱动基因归类到核心的信号通路中（如RTK/RAS， PI3K， Wnt， Cell Cycle， p53等），发现绝大多数肿瘤的驱动突变都集中于约十余条关键通路上。

• 2.3 分子分型图谱：

  • 超越传统的组织学分型，基于基因表达、DNA甲基化、拷贝数变异等多组学数据，将同一器官来源的癌症（如乳腺癌、结直肠癌）或跨器官的癌症划分为具有不同生物学特征和预后的分子亚型。

• 2.4 预后与治疗关联图谱：

  • 将特定的基因组改变（如TP53突变、TERT启动子突变、特定基因融合）与患者的生存率、复发风险、转移倾向关联起来。

  • 鉴定出可能预测对免疫检查点抑制剂反应的基因组特征，如高肿瘤突变负荷、特定突变特征等。

3. 主要数据来源项目

• 癌症基因组图谱（The Cancer Genome Atlas, TCGA， 2006-2018）：最具影响力的项目，对33种癌症类型的超过11，000个肿瘤样本进行了多平台分子分析。

• 国际癌症基因组联盟（International Cancer Genome Consortium, ICGC）：一个全球性联盟，旨在对50种不同癌症类型的25，000个肿瘤进行全基因组测序。

• ICGC/TCGA 全癌种全基因组分析联盟（PCAWG）：整合ICGC和TCGA的全基因组测序数据，对超过2，600个肿瘤的全基因组进行深度分析，提供了前所未有的分辨率。

4. 科学价值与影响

• 重新定义癌症分类：推动了从基于显微镜的形态学分类，向基于分子驱动机制的分子分型转变。

• 揭示癌症共同原理：发现了不同癌症在分子水平上共享的“共同弱点”和核心通路，为“篮子试验”提供了理论基础。

• 区分驱动与乘客突变：通过大规模数据分析，为区分驱动基因和乘客基因提供了统计依据和功能线索。

• 指导精准治疗：图谱数据直接用于发现新的治疗靶点、开发伴随诊断、预测治疗反应和耐药性。

• 公共数据资源：产生的海量数据公开共享，成为全球研究人员进行二次分析和发现的宝库。

5. 挑战与未来方向

• 肿瘤异质性：单个活检样本可能无法完全代表肿瘤的全部基因组多样性。

• 罕见突变与癌种：仍需更多努力覆盖罕见突变和罕见癌症。

• 功能验证：发现的大量基因变异需要后续实验验证其生物学和临床意义。

• 多组学与时空整合：未来的图谱将更注重整合基因组、表观基因组、转录组、蛋白质组数据，并描绘肿瘤在时间和空间上的进化动态。

参考文献

1. The Cancer Genome Atlas Research Network, et al. (2013). The Cancer Genome Atlas Pan-Cancer analysis project. Nature Genetics, 45(10), 1113-1120. （宣布TCGA Pan-Cancer分析计划的纲领性文章）

2. ICGC/TCGA Pan-Cancer Analysis of Whole Genomes Consortium. (2020). Pan-cancer analysis of whole genomes. Nature, 578(7793), 82-93. （PCAWG项目的旗舰论文，基于全基因组数据提供了最全面的体细胞突变图谱）

3. Bailey, M. H., et al. (2018). Comprehensive characterization of cancer driver genes and mutations. Cell, 173(2)， 371-385.e18. （基于TCGA数据对驱动基因和突变进行系统性鉴定与分析的经典工作）

4. Alexandrov, L. B., et al. (2020). The repertoire of mutational signatures in human cancer. Nature, 578(7793), 94-101. （PCAWG项目中对人类癌症突变特征的最新、最全面总结）

5. Hoadley, K. A., et al. (2018). *Cell-of-origin patterns dominate the molecular classification of 10，000 tumors from 33 types of cancer*. Cell, 173(2)， 291-304.e6. （基于TCGA数据的跨癌种分子分型研究，揭示了组织起源对肿瘤分子特征的决定性影响）