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
这项研究揭示，标准型的以患者为键的公共癌症基因组数据聚合方式，会将超过半数 DNMT3A 突变患者血液正常样本中的克隆性造血突变错误地归类为肿瘤来源突变，从而造成显著的全癌种偏差，而这种偏差可以通过在构建矩阵前过滤掉血液来源的调用来进行修正。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
长期以来，癌症研究人员一直依赖一种强大的方法：将来自许多不同医院和研究的数千名患者的遗传数据汇集到一个巨大的共享库中。通过整合这些信息，科学家们可以发现那些在单一医院中难以察觉的罕见模式，例如哪些基因变化驱动了特定类型的癌症，以及这些变化如何影响患者的生存率。为了实现这一目标，计算机使用一条简单的规则来链接记录：如果两个样本属于同一个人，它们就被视为同一个条目。这种方法已成为在全球范围内理解癌症的标准。然而，这种方法假设共享库中的每一份遗传数据都来自肿瘤本身。实际上，患者的血液中往往存在其他与癌症无关的遗传变化，即克隆性造血（clonal hematopoiesis）。这些是随着人体衰老而在血液细胞中发生的自然变化，虽然在血液中是无害的，但如果计算机无法区分血液样本和肿瘤样本，它们看起来会与癌症突变完全一样。
斯坦福大学的一个研究小组发现，这种混淆悄然扭曲了全球很大一部分公开的癌症数据。他们发现，当科学家将不同的研究合并到单个数据库时，计算机有时会将血液样本误认为肿瘤样本。这是因为纪念斯隆-凯特琳癌症中心（Memorial Sloan Kettering Cancer Center）的三项特定研究提交了患者的血液样本，而这些患者的肿瘤已在其他研究中被记录。由于血液和肿瘤样本共享相同的患者 ID，计算机将它们合并在了一起。结果是，这些无害的血液突变在最终的数据库中被错误地标记为了癌症突变。研究人员追踪了来自 483 项研究的 100 多万个遗传调用（genetic calls），发现虽然该错误仅影响了总数据的极小部分，但其分布并不均匀。相反，它高度集中在已知会在衰老血液中发生变化的特定基因上。
受影响最严重的基因是 DNMT3A。在未修正的数据库中，超过一半被标记为携带该基因突变的患者实际上其肿瘤中并不存在突变，唯一的证据来自于他们的血液。对于像 TET2 和 CHEK2 这样的其他基因，情况类似，大约五分之一被标记的患者并不具备肿瘤来源的突变。相比之下，像 TP53 和 KRAS 这样著名的癌症驱动基因几乎未受到此错误的影响，这也是为什么许多研究人员直到现在才注意到这个问题。研究人员通过查看遗传变化的细节证实了错误的性质。被误判的血液突变出现水平极低，通常低于 1%，而真正的肿瘤突变通常出现水平要高得多。此外，携带这些误判的血液特有突变的患者明显年龄更大，符合衰老血液的模式，而非典型的癌症诊断年龄。
这种错误并未局限于血液研究领域；它还扩散到了另外 65 个研究小组中，其中几乎所有小组都在研究实体瘤，如肺癌、肝癌或胃癌。在其中一些小组中，超过十分之一的患者携带了错误的突变标记。这种扭曲非常强烈，以至于让某些癌症看起来比实际具有更高的特定突变率。例如，在一组肺癌患者中，DNMT3A 突变率看起来几乎是另一组肺癌患者的五倍，仅仅是因为第一组恰好包含了血液样本被混入其中的患者。一旦研究人员移除了血液来源的数据，两组之间的比例变得几乎完全一致，这证明了这种差异是数据收集过程中的人工产物（artifact），而非真实的生物学差异。
这一错误的影响不仅限于计数突变；它还改变了关于这些基因如何影响患者生存率的结论。在某些情况下，该错误使某个基因看起来似乎在帮助患者延长寿命，而实际上它并无影响。在另一些情况下，它掩盖了真实的保护作用。研究人员表明，仅仅移除血液数据就修正了这些生存评估，其修正程度的改变无法用随机偶然性来解释。他们为其他科学家提供了一套简单的规则：在合并研究之前，检查遗传调用是来自血液样本还是肿瘤样本；如果是来自血液研究，则将其从肿瘤分析中排除。这种修复方法非常直接，且可以应用于现有的数据库，无需对任何患者进行重新测序。
研究人员谨慎地指出，他们的修正并不能解决所有问题。它移除了因在数据库中混合血液与肿瘤数据而导致的错误，但无法移除物理上侵入肿瘤样本并存在于肿瘤组织内部的血液细胞。这是一个需要不同工具才能检测到的独立生物学现象。然而，他们识别出的错误纯粹是由于数据整合方式造成的。通过修复这个特定的错误，科学界可以确保他们赖以生存的海量癌症数据库反映的是肿瘤真实的生物学特征，而不是血液与癌症的混乱混合。这项工作提醒我们，即使在数据收集正确的情况下，数据的组合方式也可能产生新的错误，并且追踪每一条信息的来源对于寻找真相至关重要。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。