科学家通过识别导致疾病的基因突变，在理解和开发针对多种癌症的治疗方法方面取得了重大进展。现在，由威尔·康奈尔医学，纽约长老会和纽约基因组中心(NYGC)的研究人员领导的团队开发了一种机器学习技术，用于检测具有类似作用的DNA的其他修饰。
这项研究于5月10日发表在美国癌症研究协会的《癌症发现》杂志上，该研究的重点是对DNA的一种化学修饰，即甲基化，通常会使附近的基因沉默。这项新技术可以分析在肿瘤细胞中检测到的数千种DNA甲基化变化，并推断哪些可能推动了肿瘤的生长。
甲基化是一种“表观遗传”过程，通常通过改变DNA结构而不改变基因中包含的信息来调节整个基因组中的基因活性。但是，偶尔在肿瘤抑制基因附近会发生过度的甲基化，称为高甲基化，使该基因沉默并有助于触发或驱动癌症的细胞分裂。
资深作者，血液学医学副教授Dan Landau博士说：“如果我们可以使用类似的技术分析大量肿瘤，我们就可以绘制出某些癌症中有助于肿瘤生长的表观遗传学变化。”威尔·康奈尔大学医学和肿瘤医学专家，以及桑德拉和爱德华·迈耶癌症中心的成员。“然后，我们可以利用这些信息来增进对癌症起源的了解，并优化针对个别患者的治疗方法。”
新技术解决的挑战与癌症研究人员面临的有关DNA突变的挑战相似-如何区分“驱动程序”突变与更丰富的“乘客”突变，这些突变对癌症没有影响。兰道博士说，尽管现在有区分基因突变的复杂方法，但区分驾驶员甲基化变化和乘客甲基化变化的技术却不那么复杂。 -长老会/威尔康奈尔医学中心。
Landau博士团队开发的新算法称为MethSig。它使用可用信息，例如基因组特定区域中的甲基化背景速率，来估计何时给定的甲基化变化可能是癌症的驱动因素。
研究人员将该算法应用于来自不同肿瘤类型的DNA甲基化图谱，发现该算法可以推断出少量的癌症驱动事件(每个肿瘤的中位数约为12个左右)，而乘客甲基化的变化则是数千次。推断出的驱动器甲基化的模式在患者和肿瘤类型之间是一致的，以及其他统计特征表明与现有方法相比，该算法的性能没有增量增加。
该研究小组通过敲除慢性淋巴细胞白血病(CLL)细胞中受影响的基因，进一步验证了几种最强烈推断的DNA甲基化癌症驱动因子，并证明了该基因的缺失会在未经处理以及存在细胞的情况下促进细胞生长。一些标准的CLL治疗。总体而言，研究人员得出的结论是，与目前的方法相比，他们的算法能够更灵敏地，更有选择性地检测出可能的癌症驱动甲基化变化。
标签： 癌症
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
