CNVSIM: an interpretable copy-number reference atlas for cancer subtyping

技術要約：CNVSIM：がん亜型分類のための解釈可能なコピー数変化リファレンス・アトラス

問題提起
ゲノムワイドなコピー数変化（CNV）プロファイルは、がんゲノムの構造的表現を提供する一方で、新しいプロファイルを再利用可能かつ安定したリファレンス内で解釈することは依然として困難である。TCGAやProgenetixなどの既存のリソースは、主に診断ラベルや集約された変異頻度を通じてCNVデータを整理している。しかし、これらのアプローチは、個々のサンプル、コホート、または実験モデルを、反復的なゲノム構造の文脈の中で解釈するための安定したリファレンスを提供できていない。診断ラベルは必ずしもCNVアーキテクチャと一対一で対応するわけではない。すなわち、単一の診断名が複数の反復的なCNVパターンを包含する場合もあれば、類似したCNVアーキテクチャが異なる形態学的ラベル間で現れることもある。さらに、数百種類の測定プラットフォーム（低解像度のCGHから高解像度アレイ、NGSまで）や多様なソースコホートにわたる公開CNVデータの不均一性は、基礎となる生物学的シグナルを覆い隠してしまう技術的なバリエーションをもたらす。再発的な生物学的構造を捉えつつ技術的なアーティファクトを最小限に抑え、新しいCNVプロファイルを研究間で一貫して比較・投影できる、再利用可能なリファレンスフレームワークが欠如している。

手法
著者らは、不均一な公開がんゲノミクスデータから、再利用可能なCNVリファレンス・アトラスを構築し適用するためのフレームワークであるCNVSIMを開発した。その手法は以下の主要な段階を経て進行する：

1. データのキュレーションとハーモナイゼーション： 本フレームワークはProgenetixのリソースを利用し、204,587件の腫瘍解析（非腫瘍および情報不足のプラットフォーム注釈を除く）と4,605件のがん細胞株解析を統合している。データは、NGSベースのアッセイ、高解像度アレイ（180,000プローブ以上）、および低解像度アレイ/CGHの3つのアッセイ・プラットフォーム・ファミリーにハーモナイズされている。
2. 特徴量の構築： 解析は、1,263個の常染色体がん関連遺伝子（OncoKBおよびCOSMIC Cancer Gene Censusに由来）におけるCNV状態として表現される。遺伝子レベルのCNV分率は、ゲイン（増加）、ハイレベルゲイン（高レベル増加）、ロス（減少）、およびハイレベルロス（高レベル減少）に対する加重離散特徴量へと変換される。
3. 部位特異的な構築： 単一のパンキャンサー（全がん種）空間ではなく、CNVSIMは国際疾病分類腫瘍学（ICD-O-3）の部位（topography）ルートに基づいた19の部位特異的な比較空間を構築する。このアプローチにより、異なるアーキテクチャを持つサンプルを混合することを避けつつ、データの断片化を防いでいる。
4. グラフベースの亜型発見： 各ルート内において、主成分座標を用いた加重K近傍法（KNN）グラフが構築される。候補となるグラフ構成は、連結性、プラットフォームの混合度（技術的バイアスを最小限にするため）、および形態学的保存能に基づいて評価される。コミュニティ検出にはLeidenアルゴリズムが用いられる。
5. 安定性と精緻化： 初期のコミュニティは20回のサブサンプリングの繰り返しによって精緻化される。境界は、再現可能なCNVの違いによって支持される場合にのみ保持され、そうでなければコミュニティは統合される。このプロセスにより、コア・リファレンス層（高い発見安定性を持つ103の亜型）と、コンディショナル・リファレンス層（発見の一貫性は低いが組成は再現可能な9つの亜型）が得られる。
6. シグネチャーのアノテーション： 各亜型は、2つのシグネチャ・トラックによってアノテーションされる：
   • トラック1： 染色体スケールのゲインおよびロスのパターン。
   • トラック2： 同一ルート内のバックグラウンドに対する遺伝子レベルのCNVシグナル（ゲイン、ハイレベルゲイン、ロス、ハイレベルロス）。これらのイベントは元のCNVセグメントに関連付けられ、スパン（範囲）を局所的（focal）、リージョナル（regional）、ブロード（broad）、またはミックス（mixed）に分類する。
7. 較正された投影： 新しいプロファイルは、階層的なアプローチを用いてリファレンス・アトラスに投影される。クエリはまずコア層に対して評価され、曖昧または未解決の場合はコンディショナル層に対して評価される。割り当てには、高い精度を確保するために、ローカルな支持、投票マージン、および距離に関する較正された閾値を満たす必要がある。

主な貢献と結果

• リファレンス・アトラスの構築： CNVSIMは、155,881件の解析に支えられた、19の癌ルートにわたる112のCNV定義亜型を確立した。アトラスには103のコア亜型と9つのコンディショナル亜型が含まれる。
• 診断による組織化： 本研究は、CNV定義の亜型が既存の診断ラベルと一対一で対応しないことを示している。広範な診断名（例：乳腺浸潤性管癌）は明確に異なるCNVアーキテクチャに細分化される一方で、個々の亜型は複数の形態学的ラベルにまたがることが多い。これは、従来の診断分類を補完するゲノム層の層別化を提供する。
• マルチスケール・シグネチャー： アトラスは、2つのトラックにわたる4,376のイベントを用いて亜型を特徴付けている。トラック1は295の染色体スケールイベント（例：膠芽腫における染色体7のゲイン/10のロス）を捉え、トラック2は90の亜型にわたる4,081の遺伝子レベルイベントをアノテーションしている。本フレームワークは、ほとんどの遺伝子レベルのイベントが、孤立した局所的（focal）な変異ではなく、リージョナル、ブロード、またはミックスのセグメントスパンによって支持されていることを明らかにしている。
• 堅牢性と再現性： コアとなる亜型は、複数のアッセイ・プラットフォームおよびデータソース間で広く支持されており、単一のプラットフォームが任意の亜型の定義解析において75%を超える寄与をしていない。データ削減による再構築（解析の20%を保留）では、98.1〜100%のコア亜型が回収され、シグネチャー濃縮パターンの保持率も高い（中央値のコサイン類似度 >93%）。
• 投影性能： 較正された投影により、保持されたCNVプロファイルの85.7%を、割り当てられたクエリの中で99.96%の精度で割り当てた。厳格な基準を満たさないプロファイルは、強制的な割り当てよりも信頼性を優先し、明示的に「曖昧」または「未解決」として報告された。
• 細胞株の優先順位付け： 本フレームワークを4,605件の細胞株プロファイルに適用し、90の亜型に対して代表的なモデルを特定した。また、細胞株の表現におけるギャップ（例：特定の推奨モデルを欠く前立腺および乳腺の特定の亜型）を特定し、実験的選択のためのランク付けされた候補を提供した。

意義と主張
本論文は、CNVSIMが診断分類を補完する、再利用可能かつ解釈可能なCNVリファレンスを提供すると主張している。その主な意義は、以下を可能にすることにある：

1. プロファイルの比較： 新しいCNVプロファイルを共通のリファレンス・フレームワーク内に位置づけ、解釈することができ、定義された診断ラベルを超えたクロスコホート比較を容易にする。
2. 亜型の解釈： 広範な診断エンティティ内にある反復的なCNV定義のサブグループを明らかにし、診断が不確実な症例に対してコンテキストを提供する。
3. 実験モデルの選択： 特定のリファレンス亜型のCNVアーキテクチャを最もよく再現するモデルを特定することで、細胞株の選択を導く。

著者らは、CNVSIMが、亜型のアイデンティティが保持される安定した凍結リファレンス（v1.0.0）として設計されていることを強調している。これは、追加の生物学的、臨床的、および実験的な知識をマッピングするための基盤として機能することを意図している。本フレームワークは、データ分布の癌種間の偏りや、投影のみから解剖学的起源や進化系統を推論できないといった限界を認めているが、がんゲノムの構造的組織を理解するための、堅牢でプラットフォームに依存しないレイヤーを提供すると主張している。