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

Il paper introduce LoPhy, il primo metodo in grado di ricostruire l'evoluzione temporale di varianti nucleotidiche singole (SNV) e alterazioni del numero di copie (CNA) a risoluzione singola cellula, applicandolo con successo a un cohort di leucemia mieloide acuta per rivelare come queste mutazioni guidino la progressione della malattia e la resistenza terapeutica.

L'essenziale

Immagina il cancro non come un blocco di pietra immobile, ma come una città in continua espansione e trasformazione, dove ogni edificio è una cellula e ogni quartiere è un "clone" (un gruppo di cellule simili).

Per anni, gli scienziati hanno cercato di capire come questa città cambia nel tempo, specialmente dopo i farmaci (chemioterapia). Il problema è che le vecchie mappe erano incomplete: potevano vedere solo i piccoli errori di scrittura nel DNA (le mutazioni puntiformi) oppure le grandi modifiche strutturali degli edifici (le alterazioni del numero di copie di geni), ma non entrambe contemporaneamente, e soprattutto non guardando ogni singolo "abitante" (cellula) nel tempo.

Ecco come LoPhy rivoluziona la situazione, spiegato in modo semplice:

1. Il Problema: La Foto Sgranata e Disconnessa

Prima, gli scienziati guardavano il cancro in due modi sbagliati:

• Metodo A: Guardavano tutte le cellule mescolate insieme, come se facessero una foto sfocata di tutta la città. Perdevano i dettagli su chi era chi.
• Metodo B: Guardavano le cellule una per una, ma solo in un singolo momento (una foto istantanea). Non sapevano come un quartiere si era trasformato nel quartiere successivo.
• Il vero problema: Nessuno sapeva come collegare i piccoli errori di scrittura (SNV) con le grandi ristrutturazioni degli edifici (CNA) mentre la città evolveva nel tempo.

2. La Soluzione: LoPhy, l'Architetto del Tempo

Gli autori hanno creato LoPhy, un nuovo "architetto digitale" che fa tre cose magiche:

• Guarda nel tempo (Longitudinale): Invece di una sola foto, LoPhy guarda una serie di video. Prende campioni di cellule in momenti diversi (prima della cura, durante, dopo la ricaduta) e li collega in una storia continua.
• Vede tutto (SNV + CNA): Non ignora né i piccoli errori di battitura né le grandi modifiche strutturali. Sa che spesso un quartiere diventa dominante perché ha sia un piccolo errore che una grande ristrutturazione.
• Costruisce l'albero genealogico: Immagina di dover ricostruire l'albero genealogico di una famiglia, ma sapendo che i figli nascono in momenti diversi. LoPhy aggiunge i nuovi "figli" (mutazioni) all'albero esattamente nel momento in cui vengono scoperti, assicurandosi che la storia abbia senso cronologico.

3. L'Analogia del "Detective del DNA"

Pensa a LoPhy come a un detective privato molto intelligente che indaga su un crimine (il cancro) che evolve.

• Il caso: Il detective ha delle prove (le cellule) trovate in tre momenti diversi: Lunedì, Mercoledì e Venerdì.
• L'errore degli altri: Altri detective potrebbero dire: "Il Lunedì c'era un ladro con la giacca rossa. Il Venerdì c'era un ladro con la giacca blu. Sono due persone diverse". Oppure: "Mischiamo tutte le prove e vediamo chi c'è".
• L'intuizione di LoPhy: LoPhy dice: "Aspetta! Il Lunedì il ladro aveva la giacca rossa. Il Mercoledì ha aggiunto un cappello. Il Venerdì ha cambiato la giacca in blu. È la stessa persona che si è travestita!".
  • Inoltre, LoPhy nota che a volte il ladro non cambia solo i vestiti (mutazioni), ma ruba anche un intero palazzo (alterazioni del numero di copie). Senza guardare tutto insieme, non si capirebbe che il ladro è diventato potente proprio grazie a quel palazzo rubato.

4. Cosa hanno scoperto? (La storia di AML)

Gli scienziati hanno usato LoPhy su pazienti con leucemia (AML). Ecco cosa è emerso, usando un'analogia:

Immagina che il cancro sia un'armata di soldati.

• Prima: Pensavamo che i soldati che sopravvivevano alla cura (chemioterapia) fossero quelli con un piccolo "difetto" nel loro equipaggiamento (una mutazione genetica).
• Con LoPhy: Abbiamo scoperto che i soldati che vincono la battaglia sono spesso quelli che hanno sia un piccolo difetto sia un'armatura gigante rubata (una grande alterazione cromosomica).
• Il risultato: Quando la cura attacca, i soldati "deboli" muoiono. Quelli che sopravvivono sono i "super-soldati" che hanno combinato piccoli errori e grandi modifiche strutturali. Se non guardiamo entrambi i fattori insieme, non capiamo perché il cancro torna (ricaduta).

5. Perché è importante?

Prima, se un medico guardava solo le piccole mutazioni, poteva pensare che il paziente fosse guarito o che la malattia stesse seguendo un percorso prevedibile. LoPhy ci dice: "Attenzione! C'è un'intera nuova generazione di cellule che ha cambiato completamente la sua struttura".

Questo aiuta a capire:

• Perché alcuni farmaci smettono di funzionare.
• Come il cancro si adatta e diventa resistente.
• Quali sono i veri "cattivi" da colpire per fermare la malattia.

In sintesi

LoPhy è come un nuovo tipo di occhiali 3D che permette agli scienziati di vedere la storia del cancro non come una serie di foto sgranate e separate, ma come un film fluido e dettagliato. Ci mostra come le cellule malate cambiano, rubano pezzi di DNA e si adattano nel tempo, permettendo ai medici di prevedere meglio il futuro della malattia e di trovare cure più mirate.

Sommario tecnico

Titolo: Inferenza Filogenetica Longitudinale di Alterazioni del Numero di Copie (CNA) e Varianti a Singolo Nucleotide (SNV) dal Sequenziamento a Cellula Singola

1. Il Problema

L'evoluzione del cancro è guidata dall'accumulo di mutazioni somatiche, in particolare Varianti a Singolo Nucleotide (SNV) e Alterazioni del Numero di Copie (CNA). Comprendere come queste mutazioni interagiscono nel tempo è cruciale per studiare la progressione della malattia e la resistenza ai farmaci.
Sebbene le tecnologie di sequenziamento a cellula singola (scDNA-seq) basate su ampliconi abbiano recentemente permesso di rilevare simultaneamente SNV e CNA con risoluzione singola, non esistevano metodi computazionali in grado di ricostruire l'evoluzione congiunta di questi due tipi di mutazioni utilizzando dati longitudinali (campioni prelevati dallo stesso paziente in momenti diversi).
I metodi esistenti presentano limiti significativi:

• Analizzano solo SNV o solo CNA, ignorando la loro interazione.
• Se applicati a dati longitudinali, richiedono la ricostruzione di alberi separati per ogni punto temporale (perdendo la coerenza temporale) o il raggruppamento di tutti i campioni (ignorando le variazioni tecniche specifiche del campione, come i tassi di dropout e la copertura).
• Non riescono a modellare la dipendenza temporale, portando a ricostruzioni filogenetiche incoerenti o a inferenze errate sull'ordine di comparsa delle mutazioni.

2. Metodologia: L'Algoritmo LoPhy

Gli autori introducono LoPhy, il primo algoritmo progettato specificamente per ricostruire alberi clonali che catturano l'evoluzione congiunta di SNV e CNA da dati longitudinali di sequenziamento a cellula singola.

Componenti Chiave:

• Obiettivo Fattorizzato: LoPhy massimizza una nuova funzione obiettivo di ricostruzione filogenetica fattorizzata. L'ipotesi fondamentale è che la probabilità dei dati di un campione al tempo $s$ dipenda dall'albero evolutivo fino a quel momento ($T_s$), dove $T_1 \subseteq T_2 \subseteq \dots \subseteq T_S$. Questo impone che le mutazioni rilevate in un tempo successivo non possano apparire in alberi di tempi precedenti.
• Modello Evolutivo:
  • Gestisce quattro tipi di eventi somatici: acquisizione di SNV, guadagni di CN, perdite di CN e perdita di eterozigosi neutra (CNLOH).
  • Le SNV seguono il modello k-Dollo (ogni SNV viene acquisita una sola volta, ma può essere persa al massimo una volta per linea a causa di una delezione).
  • Le CNA possono interessare regioni target o interi cromosomi, con il vincolo che ogni regione sia colpita da al massimo una CNA per linea nell'albero.
• Modello di Verosimiglianza (Likelihood):
  • Likelihood della profondità di lettura (Read Depth): Modella la copertura totale delle regioni target utilizzando una distribuzione Negativa Binomiale per gestire la sovradisperzione (overdispersion) tipica dei dati scDNA-seq.
  • Likelihood dei conteggi allelici: Modella i rapporti tra letture di riferimento e alternative utilizzando una distribuzione Beta-Binomiale per gestire i bias di amplificazione.
  • Dropout: Include parametri globali per i tassi di dropout specifici per allele (probabilità che un allele non venga amplificato), fondamentali per evitare falsi negativi.
• Strategia di Ottimizzazione:
  • Costruzione Sequenziale: L'algoritmo costruisce l'albero incrementando i campioni nel tempo. Le mutazioni osservate per la prima volta in un campione $s$ vengono aggiunte all'albero $T_{s-1}$ per formare $T_s$.
  • Ricerca Stocastica: Dopo l'inserimento iniziale, vengono eseguite iterazioni di ricerca stocastica per spostare le SNV, aggiungere o rimuovere CNA, massimizzando la verosimiglianza a posteriori.
  • Stima dei Parametri: Utilizza un algoritmo Expectation-Maximization (EM) per stimare simultaneamente le probabilità di assegnazione ai cloni e i tassi di dropout specifici per campione.

3. Risultati

A. Validazione su Dati Simulati
LoPhy è stato confrontato con metodi esistenti (COMPASS, SCITE, LACE) su 40 dataset simulati di cancro longitudinale.

• Accuratezza: LoPhy ha ottenuto le prestazioni migliori in tutte le metriche, in particolare per la stima del numero totale di copie (TCN-MAE) e la struttura dell'albero (Tree F1 score).
• Tasso di Falsa Emergenza (FER): LoPhy ha raggiunto un FER perfetto (0), dimostrando di non inferire mutazioni in epoche temporali errate, a differenza di COMPASS che spesso anticipava erroneamente l'insorgenza delle mutazioni.
• Efficienza: LoPhy è significativamente più veloce di COMPASS (circa 9,5 minuti contro 1 ora e 40 minuti per dataset con 5 punti temporali).

B. Applicazione su Coorti di Leucemia Mieloide Acuta (AML)
L'algoritmo è stato applicato a 19 casi di AML (15 da un cohort di studio precedente e 4 con mutazioni TP53), sequenziati longitudinalmente prima, durante e dopo la terapia.

• Coerenza Biologica: Le ricostruzioni di LoPhy sono risultate coerenti con le osservazioni cliniche e validate da dati di sequenziamento bulk ortogonali (es. ASCAT).
• Ruolo delle CNA: L'analisi ha rivelato che i cloni dominanti dopo la terapia o al momento della ricaduta sono spesso definiti da una combinazione di SNV e grandi CNA.
  • Esempio AML-99: LoPhy ha identificato due eventi indipendenti di CNLOH nella regione RUNX1 su linee evolutive diverse (uno che cancella l'allele di riferimento all'inizio, uno che cancella l'allele alternativo alla ricaduta), spiegando la dinamica di espansione e contrazione dei cloni in risposta alla terapia.
  • Esempio AML-01 e AML-83: Confrontando LoPhy con COMPASS, si è visto che quest'ultimo, non modellando le variazioni di copertura specifiche del campione, inferiva alberi incoerenti (es. assegnando mutazioni non presenti al momento della diagnosi) o mancava di rilevare guadagni cromosomici cruciali (es. guadagno del cromosoma 8 in AML-83).

4. Contributi Chiave

1. Primo metodo longitudinale congiunto: LoPhy è il primo algoritmo in grado di integrare SNV e CNA in un unico framework filogenetico per dati longitudinali a cellula singola.
2. Modellazione tecnica avanzata: Introduce una modellazione esplicita delle variazioni di copertura e dei tassi di dropout specifici per campione, risolvendo un problema critico nell'analisi comparativa di campioni sequenziati in momenti diversi.
3. Nuova funzione obiettivo: Propone un obiettivo di ricostruzione fattorizzato che garantisce la coerenza temporale degli alberi filogenetici.
4. Validazione clinica: Dimostra che ignorare le CNA o la struttura longitudinale porta a ricostruzioni errate, mentre la loro integrazione congiunta rivela meccanismi di resistenza terapeutica e progressione della malattia altrimenti invisibili.

5. Significato e Impatto

Questo lavoro rappresenta un passo avanti fondamentale nell'analisi dell'evoluzione tumorale. Dimostra che:

• La progressione della leucemia e la resistenza ai farmaci sono spesso guidate da una complessa interazione tra mutazioni puntiformi (SNV) e riarrangiamenti su larga scala (CNA).
• L'analisi longitudinale a cellula singola, se supportata da algoritmi adeguati come LoPhy, può tracciare la storia evolutiva continua di un tumore, distinguendo i cloni che sopravvivono alla terapia da quelli che si estinguono.
• La capacità di validare le CNA inferite con dati bulk e la coerenza con la storia clinica dei pazienti conferisce agli strumenti computazionali un ruolo diretto nella comprensione dei meccanismi biologici e nella potenziale guida delle decisioni terapeutiche.

In sintesi, LoPhy fornisce un quadro robusto per decifrare la dinamica spaziale e temporale del genoma tumorale, offrendo nuove prospettive su come le cellule cancerose si adattano e sopravvivono alle pressioni selettive.