More Than Half of DNMT3A-Mutant Patients in Pooled Public Cancer Genomic Data Carry No Tumor-Derived Mutation: Clonal Hematopoiesis Introduced by Patient-Keyed Aggregation
Diese Studie zeigt auf, dass eine standardmäßige, patientenschlüsselbasierte Aggregation öffentlicher Krebsgenomdaten fälschlicherweise Mutationen der klonalen Hämatopoese aus Blutnormalen als tumorabgeleitete Mutationen in über der Hälfte der DNMT3A-mutierten Patienten klassifiziert, was signifikante pan-cancerale Verzerrungen verursacht, die durch das Herausfiltern von blutabgeleiteten Aufrufen vor der Matrixkonstruktion korrigiert werden können.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Krebsforscher verlassen sich seit langem auf eine leistungsstarke Methode: das Sammeln genetischer Daten von Tausenden von Patienten aus vielen verschiedenen Krankenhäusern und Studien in einer einzigen, massiven, gemeinsamen Bibliothek. Durch das Zusammenführen dieser Informationen können Wissenschaftler Muster erkennen, die in einem einzelnen Krankenhaus zu selten wären, wie etwa, welche Genveränderungen eine bestimmte Art von Krebs antreiben oder wie sich diese Veränderungen auf das Überleben eines Patienten auswirken. Um dies zu ermöglichen, verknüpfen Computer die Datensätze mithilfe einer einfachen Regel: Wenn zwei Proben demselben Patienten gehören, werden sie als ein einziger Eintrag behandelt. Dieser Ansatz ist zum Standard für das Verständnis von Krebs auf globaler Ebene geworden. Diese Methode setzt jedoch voraus, dass alle genetischen Daten in der Bibliothek tatsächlich vom Tumor stammen. In der Realität haben Patienten jedoch oft andere genetische Veränderungen in ihrem Blut, die nichts mit ihrem Krebs zu tun haben, bekannt als klonale Hämatopoese. Dies sind natürliche Veränderungen, die im Blutzellen auftreten, während Menschen altern, und obwohl sie im Blut harmlos sind, können sie exakt wie Krebsmutationen aussehen, wenn der Computer nicht zwischen einer Blutprobe und einer Tumorprobe unterscheiden kann.
Ein Forscherteam der Stanford University entdeckte, dass diese Verwirrung einen großen Teil der weltweiten öffentlichen Krebsdaten still und leise verzerrt hat. Sie fanden heraus, dass, wenn Wissenschaftler verschiedene Studien in einer einzigen Datenbank zusammenführen, der Computer manchmal eine Blutprobe mit einer Tumorprobe verwechselt. Dies geschieht, weil drei spezifische Studien des Memorial Sloan Kettering Cancer Center Blutproben von Patienten hinterlegt hatten, deren Tumore bereits in anderen Studien erfasst worden waren. Da die Blut- und Tumorproben dieselbe Patienten-ID teilten, führte der Computer sie zusammen. Das Ergebnis war, dass harmlose Blutmutationen fälschlicherweise als Krebsmutationen in der endgültigen Datenbank gekennzeichnet wurden. Die Forscher verfolgten über eine Million genetische Aufrufe über 483 Studien hinweg und fanden, dass der Fehler zwar nur einen kleinen Bruchteil der Gesamtdaten betraf, sich aber nicht gleichmäßig verteilte. Stattdessen konzentrierte er sich stark auf spezifische Gene, die dafür bekannt sind, sich in alternden Blutzellen zu verändern.
Das am stärksten betroffene Gen war DNMT3A. In der unkorrigierten Datenbank hatten mehr als die Hälfte der Patienten, bei denen eine Mutation in diesem Gen festgestellt wurde, tatsächlich gar keine Mutation in ihrem Tumor; der einzige Beleg kam aus ihrem Blut. Für andere Gene wie TET2 und CHEK2 war die Situation ähnlich, wobei etwa ein Fünftel der markierten Patienten keine tumorbedingte Mutation aufwese. Im Gegensatz dazu waren bekannte Krebs-Treiber wie TP53 und KRAS kaum von diesem Fehler betroffen, wesnthalb viele Forscher das Problem bisher nicht bemerkt hatten. Die Forscher bestätigten die Art des Fehlers durch die Untersuchung der Details der genetischen Veränderungen. Die fälschlich erfassten Blutmutationen traten bei sehr niedrigen Werten auf, oft weniger als ein Prozent des genetischen Materials, während echte Tumormutationen normalerweise bei viel höheren Werten erscheinen. Darüber hinaus waren die Patienten mit diesen fälschlichen Blut-nur-Mutationen signifikant älter, was dem Muster alternder Blutzellen entsprach und nicht dem typischen Alter bei einer Krebsdiagnose.
Dieser Fehler blieb nicht auf die Blutstudien beschränkt; er breitete sich auf 6anderes 65 weitere Forschungsgruppen aus, die fast alle solide Tumore wie Lungen-, Leber- oder Magenkrebs untersuchten. In einigen dieser Gruppen trugen mehr als jeder zehnte Patient ein falsches Mutationsflag. Die Verzerrung war so stark, dass es den Anschein erweckte, bestimmte Krebsarten hätten wesentlich höhere Raten spezifischer Mutationen, als sie tatsächlich hatten. Beispielsweise schien die Rate der DNMT3A-Mutationen bei einer Gruppe von Lungenkrebspatienten fast fünfmal höher zu sein als bei einer anderen Gruppe von Lungenkrebspatienten, schlichtweg weil die erste Gruppe zufällig Patienten enthielt, deren Blutproben hineingemischt worden waren. Sobald die Forscher die blutbasierten Daten entfernten, waren die Raten zwischen den beiden Gruppen nahezu identisch, was bewies, dass der Unterschied ein Artefakt der Datenerhebung und kein echter biologischer Unterschied war.
Die Auswirkungen dieses Fehlers gingen über das bloße Zählen von Mutationen hinaus; sie veränderten auch die Schlussfolgerungen darüber, wie diese Gene das Überleben der Patienten beeinflussen. In einigen Fällen ließ der Fehler ein Gen so erscheinen, als würde es das Überleben der Patienten fördern, obwohl es in Wirklichkeit keinen Effekt hatte. In anderen Fällen verbarg er einen echten protektiven Effekt. Die Forscher zeigten, dass die bloße Entfernung der Blutdaten diese Überlebensschätzungen korrigierte, indem sie sich in eine Weise bewegten, die durch bloßen Zufall nicht erklärbar war. Sie gaben eine einfache Reihe von Regeln vor, denen andere Wissenschaftler folgen können: Prüfen Sie vor der Zusammenführung von Studien, ob ein genetischer Aufruf aus einer Blutprobe oder einer Tumorprobe stammt, und falls er aus einer Blutstudie stammt, schließen Sie ihn aus der Tumoranalyse aus. Diese Korrektur ist unkompliziert und kann auf bestehende Datenbanken angewendet werden, ohne dass Patienten erneut sequenziert werden müssen.
Die Forscher betonten sorgfältig, dass ihre Korrektur nicht jedes Problem löst. Sie entfernt die Fehler, die durch das Vermischen von Blut- und Tumordaten in der Datenbank entstehen, kann aber keine Blutzellen entfernen, die physisch in eine Tumorprobe eingedrungen sind und im eigentlichen Tumorgewebe vorhanden sind. Dies ist ein separates biologisches Phänomen, das andere Werkzeuge zur Detektion erfordert. Der identifizierte Fehler war jedoch rein das Ergebnis der Art und Weise, wie die Daten zusammengestellt wurden. Durch die Behebung dieses spezifischen Fehlers kann die wissenschaftliche Gemeinschaft sicherstellen, dass die massiven Bibliotheken der Krebsdaten, auf die sie angewiesen ist, die wahre Biologie von Tumoren widerspiegeln und nicht eine verwirrende Mischung aus Blut und Krebs sind. Die Arbeit dient als Erinnerung daran, dass selbst wenn Daten korrekt erhoben werden, die Art und Weise, wie sie kombiniert werden, neue Fehler erzeugen kann, und dass die Verfolgung der Herkunft jedes einzelnen Informationsstücks essenziell ist, um die Wahrheit zu finden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.