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
Deze studie onthult dat een standaard patiënt-gekoppelde aggregatie van publieke kankergenomische data foutief mutaties van klonale hematopoëse uit bloednormals classificeert als tumor-afgeleide mutaties bij meer dan de helft van de DNMT3A-gemuteerde patiënten, wat significante pan-cancer distorties creëert die gecorrigeerd kunnen worden door het wegfilteren van bloed-afgeleide calls vooraf aan de matrixconstructie.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Kankerexperts vertrouwen al heel lang op een krachtige methode: het verzamelen van genetische gegevens van duizenden patiënten uit vele verschillende ziekenhuizen en studies in één enorme, gedeelde bibliotheek. Door deze informatie te bundelen, kunnen wetenschappers patronen ontdekken die te zeldzaam zijn om in een enkel ziekenhuis te zien, zoals welke genveranderingen een specifiek type kanker aansturen of hoe die veranderingen het overleven van een patiënt beïnvloeden. Om dit werkend te maken, koppelen computers records aan elkaar met een eenvoudige regel: als twee monsters van dezelfde persoon zijn, worden ze behandeld als één invoer. Deze aanpak is de standaard geworden voor het begrijpen van kanker op wereldwijde schaal. Deze methode gaat er echter van uit dat elk stukje genetische data in de bibliotheek afkomstig is van de tumor zelf. In werkelijkheid hebben patiënten vaak andere genetische veranderingen in hun bloed die niet gerelateerd zijn aan hun kanker, bekend als klonale hematopoëse. Dit zijn natuurlijke veranderingen die optreden in bloedcellen naarmate mensen ouder worden, en hoewel ze onschadelijk zijn in het bloed, kunnen ze precies lijken op kankermutaties als de computer het verschil tussen een bloedmonster en een tumormonster niet kan onderscheiden.
Een team onderzoekers aan de Stanford University ontdekte dat deze verwarring stilletjes een groot deel van de wereldwijde publieke kankerdata heeft vertekend. Ze ontdekten dat wanneer wetenschappers verschillende studies samenvoegen in een enkele database, de computer soms een bloedmonster aanziet voor een tumor monster. Dit gebeurt omdat drie specifieke studies van het Memorial Sloan Kettering Cancer Center bloedmonsters hadden gedeponeerd van patiënten wier tumoren al in andere studies waren opgenomen. Omdat het bloed- en tumormonster dezelfde patiënt-ID deelden, voegde de computer ze samen. Het resultaat was dat onschadelijke bloedmutaties onterecht als kankermutaties werden gelabeld in de uiteindelijke database. De onderzoekers volgden meer dan één miljoen genetische calls terug over 483 studies en ontdekten dat hoewel de fout slechts een klein deel van de totale data besloeg, deze niet gelijkmatig verspreid was. In plaats daarvan concentreerde het zich zwaar op specifieke genen die bekend staan om hun veranderingen in verouderend bloed.
Het meest getroffen gen was DNMT3A. In de ongecorrigeerde database had meer dan de helft van de patiënten die gemarkeerd waren voor een mutatie in dit gen, in werkelijkheid helemaal geen mutatie in hun tumor; het enige bewijs kwam uit hun bloed. Voor andere genen zoals TET2 en CHEK2 was de situatie vergelijkbaar, waarbij ongeveer een vijfde van de gemarkeerde patiënten geen tumor-afgeleide mutatie had. In tegen tegenstelling hiertoe werden bekende kankerdrivers zoals TP53 en KRAS nauwelijks geraakt door deze fout, wat is waarom veel onderzoekers het probleem tot nu toe niet hadden opgemerkt. De onderzoekers bevestigden de aard van de fout door naar de details van de genetische veranderingen te kijken. De foutieve bloedmutaties kwamen voor op zeer lage niveaus, vaak minder dan één procent van het genetisch materiaal, terwijl echte tumormutaties meestal op veel hogere niveaus voorkomen. Bovendien waren de patiënten met deze foutieve bloed-alleen mutaties aanzienlijk ouder, wat overeenkomt met het patroon van verouderend bloed in plaats van de typische leeftijd bij een kankerdiagnose.
Deze fout bleef niet beperkt tot de bloedstudies; het verspreidde zich naar 65 andere onderzoeksgroepen, die bijna allemaal solide tumoren bestudeerden zoals long-, lever- of maagkanker. In sommige van deze groepen droeg meer dan één op de tien patiënten een vals mutatievlaggetje. De vertekening was zo sterk dat het eruitzag alsof bepaalde kankers veel hogere percentages specifieke mutaties hadden dan ze in werkelijkheid hadden. Bijvoorbeeld, in één groep longkankerpatiënten leek het percentage DNMT3A-mutaties bijna vijf keer hoger dan in een andere groep longkankerpatiënten, simpelweg omdat de eerste groep toevallig patiënten bevatte van wie de bloedmonsters waren vermengd. Zodra de onderzoekers de bloed-afgeleide data verwijderden, werden de percentages tussen de twee groepen bijna identiek, wat bewees dat het verschil een artefact was van de gegevensverzameling en geen echt biologisch verschil.
De impact van deze fout ging verder dan alleen het tellen van mutaties; het veranderde ook de conclusies over hoe deze genen het overleven van patiënten beïnvloeden. In sommige gevallen liet de fout het lijken alsof een gen patiënten hielp langer te leven, terwijl het in werkelijkheid geen effect had. In andere gevallen verborg het een echt beschermend effect. De onderzoekers toonden aan dat het simpelweg verwijderen van de bloeddata de overlevingsschattingen corrigeerde, op manieren die niet door toeval verklaard konden worden. Ze boden een eenvoudige set regels aan waar andere wetenschappers zich aan kunnen houden: controleer voordat je studies combineert of een genetische call afkomstig is van een bloedmonster of een tumor monster, en als het uit een bloedstudie komt, sluit het dan uit van de tumoranalyse. Deze oplossing is eenvoudig en kan worden toegepast op bestaande databases zonder dat er nieuwe patiënten opnieuw gesequenced hoeven te worden.
De onderzoekers merkten er zorgvuldig bij op dat hun correctie niet elk probleem oplost. Het verwijdert de fouten die worden veroorzaakt door het mengen van bloed- en tumordata in de database, maar het kan geen bloedcellen verwijderen die fysiek een tumor in zijn gedrongen en aanwezig zijn in het tumorweefsel zelf. Dat is een apart biologisch fenomeen dat andere instrumenten vereist om te detecteren. Echter, de fout die zij identificeerden was puur het gevolg van de manier waarop de gegevens bij elkaar zijn gebracht. Door deze specifieke fout te herstellen, kan de wetenschappelijke gemeenschap ervoor zorgen dat de enorme bibliotheken aan kankerdata waar zij op vertrouwen, de ware biologie van tumoren weerspiegelen, in plaats van een verwarrende mix van bloed en kanker. Het werk dient als een herinnering dat zelfs wanneer gegevens correct worden verzameld, de manier waarop ze worden gecombineerd nieuwe fouten kan creëren, en dat het bijhouden van de bron van elk stukje informatie essentieel is voor het vinden van de waarheid.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.