Longitudinal Phylogenetic Inference of Copy Number Alterations and Single Nucleotide Variants from Single-Cell Sequencing

Die Studie stellt LoPhy vor, ein neuartiges sequenzielles Algorithmus-Verfahren zur Rekonstruktion longitudinally konsistenter Phylogenien von Single-Nucleotide-Varianten (SNVs) und Copy-Number-Alterations (CNAs) aus Einzelzell-Sequenzierungsdaten, das anhand von AML-Kohorten die gemeinsame Rolle dieser Mutationen bei der Krankheitsprogression und Therapieresistenz aufdeckt.

Das Wesentliche

Das große Puzzle des Krebs-Wachstums

Stellen Sie sich Krebs nicht als einen statischen Haufen Zellen vor, sondern als eine lebendige, sich ständig verändernde Stadt. In dieser Stadt gibt es verschiedene Nachbarschaften (Klone), die sich im Laufe der Zeit entwickeln. Manche Nachbarschaften blühen auf, andere sterben aus, und neue entstehen.

Um zu verstehen, wie Krebs entsteht und warum er manchmal auf Medikamente nicht reagiert, müssen wir die Stammbäume dieser Zellen rekonstruieren. Wir wollen wissen: Wer ist der Urgroßvater? Wer hat welche neuen Eigenschaften (Mutationen) entwickelt? Und wann genau ist das passiert?

Bisher gab es ein großes Problem bei dieser Detektivarbeit:

1. Die alten Werkzeuge waren zu grob: Frühere Methoden konnten entweder nur kleine Buchstabenfehler im genetischen Code finden (SNVs) oder nur große Baustellen, bei denen ganze Abschnitte der DNA fehlen oder doppelt vorkommen (CNAs). Aber sie konnten beides nicht gleichzeitig in einer einzigen Zelle sehen.
2. Die Zeitreise fehlte: Viele Methoden haben nur einen Moment in der Zeit eingefroren. Krebs ist aber ein Film, kein Standbild. Um zu verstehen, wie er sich entwickelt, müssen wir ihn über mehrere Zeitpunkte hinweg beobachten (vor der Behandlung, während der Behandlung, beim Rückfall).

Die Lösung: LoPhy – Der Zeitreise-Detektiv

Die Forscher um Ethan Kulman, Quaid Morris und Rui Kuang haben ein neues Werkzeug namens LoPhy entwickelt. Man kann sich LoPhy wie einen intelligenten Archivar vorstellen, der nicht nur Fotos sortiert, sondern die Geschichte dahinter erzählt.

Wie funktioniert LoPhy? (Die Analogie)

Stellen Sie sich vor, Sie untersuchen eine Stadt über mehrere Jahre hinweg:

• Jahr 1: Sie sehen eine kleine Gruppe von Leuten, die einen roten Hut tragen (eine Mutation).
• Jahr 2: Diese Gruppe wächst, aber plötzlich tauchen auch Leute mit einem blauen Mantel auf (eine andere Mutation).
• Jahr 3: Die Stadt verändert sich drastisch. Ein ganzer Stadtteil wird abgerissen und neu gebaut (eine große Veränderung der DNA, eine CNA).

Frühere Methoden hätten versucht, das Jahr 1, 2 und 3 getrennt zu analysieren. Das Ergebnis wären drei völlig unterschiedliche Karten, die nicht zusammenpassen. Oder sie hätten alle Jahre in einen Topf geworfen, was die zeitliche Reihenfolge verwirrt hätte.

LoPhy macht etwas anderes:

1. Es schaut in die Zeit: LoPhy weiß, wann welche Zelle gesammelt wurde. Es baut den Stammbaum Schritt für Schritt auf, genau wie die Zeit vergeht. Wenn eine Mutation erst im Jahr 3 auftaucht, kann sie im Stammbaum nicht im Jahr 1 stehen.
2. Es kombiniert alles: LoPhy schaut sich gleichzeitig die kleinen Buchstabenfehler (SNVs) und die großen Baustellen (CNAs) an. Es erkennt: „Aha! Diese neue, gefährliche Nachbarschaft entsteht erst, weil sie sowohl den roten Hut als auch den neuen Stadtteil besitzt."
3. Es ist vorsichtig: Da die Daten von einzelnen Zellen oft „rauschend" oder unvollständig sind (wie ein Gespräch in einem lauten Raum), nutzt LoPhy Wahrscheinlichkeiten, um das wahrscheinlichste Szenario zu finden, ohne sich von Rauschen täuschen zu lassen.

Was haben sie herausgefunden? (Die Entdeckungen)

Die Forscher haben LoPhy auf Daten von Patienten mit Akuter Myeloischer Leukämie (AML) angewendet. Das Ergebnis war aufschlussreich:

• Der Überlebende ist ein Hybrid: Oft sind es nicht nur kleine Mutationen, die den Krebs nach einer Chemotherapie zurückkehren lassen. Es sind oft Zellen, die sowohl kleine genetische Fehler als auch große chromosomale Veränderungen (wie das Verdoppeln ganzer Chromosomen) mit sich tragen.
• Die Geschichte der Resistenz: In einem Fall (Patient AML-99) sahen sie, wie eine Zelle-Gruppe, die eine bestimmte Veränderung hatte, zuerst dominierte. Als die Therapie geändert wurde, verschwand diese Gruppe, und eine andere Gruppe, die eine fast identische, aber leicht veränderte große DNA-Veränderung hatte, übernahm die Macht. Ohne LoPhy wäre dieser feine Unterschied unsichtbar geblieben.
• Vergleich mit alten Methoden: Als sie LoPhy mit einer alten Methode (COMPASS) verglichen, stellte sich heraus, dass die alte Methode oft falsche Geschichten erzählte. Sie dachte zum Beispiel, eine Mutation sei schon am Anfang da gewesen, obwohl sie erst später auftrat. LoPhy hingegen hielt sich strikt an die zeitliche Reihenfolge und lieferte Ergebnisse, die mit den klinischen Beobachtungen der Ärzte übereinstimmten.

Warum ist das wichtig für uns?

Dies ist wie der Unterschied zwischen einem statischen Foto und einem 4K-Film.

• Früher: Wir wussten nur, dass Krebs existiert und dass er Mutationen hat.
• Jetzt mit LoPhy: Wir können sehen, wie der Krebs sich Schritt für Schritt anpasst, wie er sich gegen Medikamente wehrt und welche Kombinationen von Fehlern ihn tödlich machen.

Das hilft Ärzten, besser zu verstehen, warum eine Behandlung versagt, und könnte in Zukunft helfen, Therapien so zu planen, dass sie genau diese „Überlebens-Kombinationen" der Krebszellen treffen, bevor sie sich ausbreiten können.

Zusammenfassend: LoPhy ist ein neues, hochmodernes Werkzeug, das die Geschichte des Krebses in Echtzeit und in hoher Auflösung erzählt, indem es alle Hinweise (kleine Fehler und große Umbauten) über die Zeit hinweg logisch zusammenfügt.

Technische Zusammenfassung

Problemstellung

Die Evolution von Krebs wird durch die Akkumulation somatischer Mutationen, insbesondere Single Nucleotide Variants (SNVs) und Copy Number Alterations (CNAs), angetrieben. Um die Dynamik der Krankheitsprogression und die Entstehung von Therapieresistenzen zu verstehen, ist eine longitudinale Analyse (Verfolgung über mehrere Zeitpunkte) auf Einzelzell-Ebene entscheidend.

Neue Technologien wie die gezielte Einzelzell-Amplicon-Sequenzierung (z. B. Tapestri-Plattform) ermöglichen es nun, sowohl SNVs als auch CNAs in denselben Zellen mit hoher Auflösung zu detektieren. Bisher fehlte jedoch eine Methode, die beide Mutationstypen gemeinsam aus longitudinalen Einzelzelldaten rekonstruiert.

• Bestehende Methoden für SNVs ignorieren CNAs.
• Methoden für CNAs ignorieren oft SNVs oder longitudinale Strukturen.
• Methoden, die beide kombinieren (z. B. COMPASS), berücksichtigen keine zeitliche Abfolge und behandeln longitudinale Proben entweder als getrennte Einheiten (was zu inkohärenten Evolutionsgeschichten führt) oder gepoolt (was technische Variationen wie unterschiedliche Abdeckungsraten ignoriert).

Methodik: LoPhy

Die Autoren stellen LoPhy vor, den ersten Algorithmus zur Rekonstruktion von Klonbäumen, der die gemeinsame Evolution von SNVs und CNAs aus longitudinalen Einzelzell-Amplicon-Daten modelliert.

1. Dateninput und Modellierung:

• Eingabe: Einzelzell-Daten von mehreren Zeitpunkten ($S$), bestehend aus Read-Tiefen ($D$) und alternativen/Referenz-Read-Zählungen ($A$) für spezifische genomische Regionen.
• Evolutionsmodell: LoPhy modelliert vier Arten somatischer Ereignisse: SNV-Erwerb, Gewinne, Verluste und CNLOH (Copy-Neutral Loss of Heterozygosity).
• SNV-Evolution: Folgt dem k-Dollo-Modell (jeder SNV wird genau einmal erworben, kann aber höchstens einmal durch Deletion verloren gehen).
• CNA-Evolution: CNAs können einzelne Regionen oder ganze Chromosomen betreffen. Das Modell beschränkt sich darauf, dass eine Region pro Linie im Baum höchstens von einer CNA betroffen ist.

2. Likelihood-Modell und Zielsetzung:
LoPhy maximiert eine faktorisierter longitudinale Likelihood-Funktion:
$$\prod_{s=1}^{S} P(D_s, A_s | T_s)$$
Dabei repräsentiert $T_s$ den Klonbaum bis zum Zeitpunkt $s$. Die Bäume sind ineinander verschachtelt ($T_1 \subseteq T_2 \subseteq \dots \subseteq T_S$), was die biologische Annahme widerspiegelt, dass Mutationen über die Zeit akkumulieren und frühere Bäume Teil späterer Bäume sind.

• Read-Depth-Likelihood: Modelliert die Gesamtabdeckung pro Region unter Verwendung einer Negativ-Binomial-Verteilung, um Überdispersion (Overdispersion) zu berücksichtigen.
• Allelic-Read-Count-Likelihood: Modelliert das Verhältnis von alternativen zu Referenz-Reads mittels einer Beta-Binomial-Verteilung. Dies berücksichtigt Amplifikations-Bias und Allele-Specific Dropout (das Ausfallen von Allelen während der Sequenzierung), was für die korrekte Inferenz von CNAs entscheidend ist.

3. Optimierungsalgorithmus:
Der Algorithmus verwendet eine sequenzielle Baumkonstruktion kombiniert mit stochastischer Suche:

• Initialisierung: Start mit einem Wurzelknoten (normale Zellen).
• Sequentieller Aufbau: Mutationen werden in der Reihenfolge ihres ersten Auftretens in den longitudinalen Proben hinzugefügt.
• Stochastische Suche: Für jeden Zeitpunkt werden neue SNVs eingeführt und dann durch zufällige Bewegungen optimiert:
  1. Verschieben eines SNV.
  2. Entfernen einer CNA.
  3. Hinzufügen einer CNA (nur in Linien, die noch nicht durch eine CNA verändert wurden).
• EM-Algorithmus: Erwartungs-Maximierung wird verwendet, um die Zuordnungswahrscheinlichkeiten zu Clonen sowie die Dropout-Raten und Prior-Wahrscheinlichkeiten iterativ zu schätzen.

Hauptbeiträge

1. Erste integrierte longitudinale Methode: LoPhy ist die erste Methode, die SNVs und CNAs gemeinsam aus longitudinalen Einzelzell-Daten rekonstruiert.
2. Neues Optimierungsziel: Einführung einer faktorierte Baum-Rekonstruktions-Zielfunktion, die zeitliche Konsistenz erzwingt und technische Variationen zwischen Proben (z. B. unterschiedliche Sequenzierungstiefen) explizit modelliert.
3. Robustheit gegen False Emergences: Durch die longitudinale Einschränkung werden Fehler vermieden, bei denen Mutationen fälschlicherweise früher in der Evolution auftreten als tatsächlich geschehen.

Ergebnisse

1. Evaluation auf simulierten Daten:
LoPhy wurde gegen COMPASS, SCITE und LACE auf 40 simulierten longitudinalen Datensätzen getestet.

• Genauigkeit: LoPhy erzielte in allen Metriken (Mutant Copy Number Error, Total Copy Number Error, Tree F1 Score) die besten Ergebnisse.
• Vorteil bei CNAs: Während COMPASS oft falsche CNAs aufgrund von Abdeckungsunterschieden zwischen Proben infizierte, erkannte LoPhy diese korrekt.
• False Emergence Rate (FER): LoPhy erreichte eine perfekte FER (0), während andere Methoden oft Mutationen zu früh platzierten.
• Geschwindigkeit: LoPhy war deutlich schneller als COMPASS (ca. 9,5 Minuten vs. 1 Stunde 40 Minuten für 5 Zeitpunkte).

2. Anwendung auf AML-Daten (Akute Myeloische Leukämie):
Anwendung auf 15 longitudinale AML-Patienten (Tapestri-Daten) und 4 TP53-mutierte AMLs.

• Biologische Konsistenz: Die rekonstruierten Bäume stimmten mit klinischen Beobachtungen und Bulk-Sequenzierungsdaten (ASCAT, CNVkit) überein.
• Klinische Einsicht: Dominante Klonpopulationen nach der Therapie oder beim Rückfall werden häufig sowohl durch SNVs als auch durch große CNAs definiert.
  • Beispiel AML-99: LoPhy identifizierte zwei unabhängige CNLOH-Ereignisse im RUNX1-Gen (einmal das Referenz-Allel, später das alternative Allel), die den Krankheitsverlauf und die Resistenz erklärten.
  • Beispiel AML-01 & AML-83: LoPhy konnte im Gegensatz zu COMPASS korrekte zeitliche Abfolgen rekonstruieren und falsche Zuordnungen (z. B. das Vorhandensein von WT1-Mutationen zum Diagnosezeitpunkt, die erst später auftraten) vermeiden. COMPASS scheiterte hier oft, da es keine longitudinalen Constraints nutzte und technische Variationen fehlinterpretierte.

Bedeutung und Fazit

LoPhy schließt eine kritische Lücke in der Krebsgenomik, indem es ermöglicht, die gemeinsame evolutionäre Geschichte von SNVs und CNAs auf Einzelzell-Ebene über die Zeit zu verfolgen. Die Studie zeigt, dass die getrennte Betrachtung dieser Mutationstypen oder die Vernachlässigung der longitudinalen Struktur zu unvollständigen oder fehlerhaften Evolutionsmodellen führt.

Die Ergebnisse unterstreichen, dass Therapieresistenzen und Rückfälle oft durch das Zusammenspiel von Punktmutationen und chromosomalen Veränderungen getrieben werden. LoPhy bietet somit ein leistungsfähiges Werkzeug, um die evolutionären Pfade von Krebszellen präziser zu entschlüsseln und potenzielle therapeutische Angriffspunkte besser zu verstehen. Der Quellcode ist öffentlich verfügbar.