文献解读-Bioinformatic Methods and Bridging of Assay Results for Reliable Tumor Mutational Burden Assessment in Non-Small-Cell Lung Cancer

简介: 文章讨论了肿瘤突变负荷(TMB)作为免疫治疗生物标志物的重要性及其测定方法的标准化问题。强调了不同TMB测定方法间存在的差异,以及统一这些方法的必要性。尽管存在差异,研究发现不同方法的结果具有良好相关性。研究组呼吁建立准确、可重复的TMB评估标准,以促进其在临床实践中的应用。

文献解读-Clinical Trial.png

关键词:临床试验;变异检测;TMB;


文献介绍

  • 标题(英文):Bioinformatic Methods and Bridging of Assay Results for Reliable Tumor Mutational Burden Assessment in Non-Small-Cell Lung Cancer
  • 标题(中文):生物信息学方法和检测结果的桥接,用于非小细胞肺癌的可靠肿瘤突变负荷评估
  • 发表期刊:Molecular Diagnosis & Therapy
  • 作者单位:Bristol-Myers Squibb公司
  • 发表年份:2019
  • 文章地址:https://doi.org/10.1007/s40291-019-00408-y

屏幕截图 2025-01-02 115606.jpg

图1 文献介绍

肿瘤突变负荷(TMB)是衡量肿瘤基因组突变数量的重要指标,在癌症免疫治疗中具有潜在预测价值。然而,TMB评估方法的多样性导致跨研究和平台间的结果解释面临挑战。为解决这一问题,研究组通过比较全外显子测序(WES)和FoundationOne CDx基因面板在评估TMB方面的差异,为TMB评估方法的标准化提供了重要见解。


测序流程

在研究数据处理和分析阶段,研究组使用Sentieon生成BAM文件,以及使用Sentieon TNsnv用于检测单核苷酸变异(SNV)和进行生殖系突变去除。

屏幕截图 2025-01-02 143339.jpg

图2 Sentieon的作用

研究组对312名非小细胞肺癌(NSCLC)患者的福尔马林固定石蜡包埋(FFPE)肿瘤样本和配对血液样本进行了WES分析。同时,使用FoundationOne CDx测定对其中44个样本进行了TMB评估,发现WES和FoundationOne CDx的TMB评估结果高度相关。

屏幕截图 2025-01-02 144044.jpg

图3 本研究中通过WES评估TMB的工作流程。实心黑色箭头表示所有WES分析中包含的步骤。虚线灰色箭头显示本研究中调查了哪些步骤对TMB输出的影响。COSMIC:癌症体细胞突变目录,ExAC:外显子组联盟,indel:短插入/缺失,NGS:下一代测序,SNV:单核苷酸变异,TMB:肿瘤突变负荷,WES:全外显子测序

WES分析平均每个肿瘤样本产生8400万个读段,平均肿瘤靶向覆盖度为84.6×。包括“所有突变”的TMB评分比仅考虑错义突变高3.1倍,发现两者高度相关(Spearman's r = 0.99)。其中错义突变的中位数为170,"所有突变"的中位数为540。这意味着全面考虑所有突变类型可能提供更准确的TMB评估,有助于更好地预测免疫治疗的效果。

屏幕截图 2025-01-02 144204.jpg

图4 CheckMate 026样本中WES的TMB分析。数据显示仅包括错义突变的TMB评分与"所有突变"(包括同义、插入缺失、移码、错义和无义突变)的TMB评分。蓝色线表示线性回归线。

组织学类型分析揭示了鳞状和非鳞状NSCLC样本的TMB差异。鳞状NSCLC样本的中位错义突变数在CheckMate 026和TCGA数据集中分别为212和196,非鳞状NSCLC样本分别为148和156。包括"所有突变"时,TMB评分显著增加,尤其对CheckMate 026样本影响更大。这强调了不同组织学类型肿瘤的遗传异质性,可能影响治疗策略的选择和预后评估。

屏幕截图 2025-01-02 144318.jpg



图5 比较CheckMate 026样本中通过WES确定的TMB评分与公开可用的TCGA数据获得的评分。a) TMB评估仅包括错义突变。b) TMB评估包括"所有突变"。深蓝色线显示每个子集的中位数和四分位范围。

生殖系变异过滤方法的选择对TMB评分有重要影响。仅用肿瘤样本的"仅肿瘤TMB"方法比使用配对正常样本的"肿瘤/正常TMB"方法平均高出约100个突变。这种差异在不同种族间存在变化:白人患者为84个突变,黑人/非裔美国人患者为132个突变,亚洲患者为213个突变。这突出了考虑种族差异和选择适当的生殖系变异过滤方法的重要性,对于准确评估TMB和个体化治疗决策至关重要。

WES与FoundationOne CDx的TMB评估结果高度相关(Spearman's r = 0.90)。FoundationOne CDx的TMB截止水平确定为10 mut/Mb,相当于WES的199个错义突变。在所选截止值附近,两种方法的阳性和阴性一致性分别为83%和85%,总体一致性达到84%。这一结果为不同平台间TMB评分的标准化提供了基础,有助于在临床实践中更一致地应用TMB作为生物标志物,提高免疫治疗患者选择的准确性。

屏幕截图 2025-01-02 144530.jpg

图6 a) WES和FoundationOne CDx检测评估的TMB相关性。b) 将TMB数据分组为由截止值定义的类别。

表2.jpg

表1 通过全外显子测序和FoundationOne CDx检测得出的肿瘤突变负荷数据之间的一致性

Sentieon 软件团队拥有丰富的软件开发及算法优化工程经验,致力于解决生物数据分析中的速度与准确度瓶颈,为来自于分子诊断、药物研发、临床医疗、人群队列、动植物等多个领域的合作伙伴提供高效精准的软件解决方案,共同推动基因技术的发展。截至 2023 年 3 月份,Sentieon 已经在全球范围内为 1300+用户提供服务,被世界一级影响因子刊物如 NEJM、Cell、Nature 等广泛引用,引用次数超过 700 篇。此外,Sentieon 连续数年摘得了 Precision FDA、Dream Challenges 等多个权威评比的桂冠,在业内获得广泛认可。


文献讨论

屏幕截图 2025-01-02 143517.jpg

图7 文献讨论

文章讨论了肿瘤突变负荷(TMB)作为免疫治疗生物标志物的重要性及其测定方法的标准化问题。强调了不同TMB测定方法间存在的差异,以及统一这些方法的必要性。尽管存在差异,研究发现不同方法的结果具有良好相关性。研究组呼吁建立准确、可重复的TMB评估标准,以促进其在临床实践中的应用。


结论

该研究强调了TMB评估方法标准化的重要性。研究结果表明,尽管不同测定方法存在诸多变化因素,但通过适当的校准和参数报告,TMB测试的临床实施是可行的。这为癌症免疫治疗的精准医疗策略提供了重要支持。然而,研究也指出了未来改进的方向,如增加样本量、优化预分析程序和分析参数,以进一步提高TMB确定的精确度。总的来说,这项研究为TMB在癌症诊断和治疗中的应用铺平了道路,同时也强调了继续完善和标准化TMB评估方法的必要性。

目录
相关文章
|
机器学习/深度学习 数据采集 人工智能
|
索引
Result window is too large, from + size must be less than or equal to: [10000]
Result window is too large, from + size must be less than or equal to: [10000]
248 0
|
机器学习/深度学习 自然语言处理 计算机视觉
【计算机视觉】MDETR - Modulated Detection for End-to-End Multi-Modal Understanding
对于图像模型,MDETR采用的是一个CNN backbone来提取视觉特征,然后加上二维的位置编码;对于语言模态,作者采用了一个预训练好的Transformer语言模型来生成与输入值相同大小的hidden state。然后作者采用了一个模态相关的Linear Projection将图像和文本特征映射到一个共享的embedding空间。 接着,将图像embedding和语言embedding进行concat,生成一个样本的图像和文本特征序列。这个序列特征首先被送入到一个Cross Encoder进行处理,后面的步骤就和DETR一样,设置Object Query用于预测目标框。
|
机器学习/深度学习 数据挖掘
【多标签文本分类】Balancing Methods for Multi-label Text Classification with Long-Tailed Class Distribution
【多标签文本分类】Balancing Methods for Multi-label Text Classification with Long-Tailed Class Distribution
146 0
【多标签文本分类】Balancing Methods for Multi-label Text Classification with Long-Tailed Class Distribution
|
机器学习/深度学习 算法 数据挖掘
【多标签文本分类】SGM: Sequence Generation Model for Multi-Label Classification
【多标签文本分类】SGM: Sequence Generation Model for Multi-Label Classification
175 0
【多标签文本分类】SGM: Sequence Generation Model for Multi-Label Classification
|
JSON 数据格式
ValueError: With n_samples=0, test_size=0.15 and train_size=None, the resulting train set will be em
ValueError: With n_samples=0, test_size=0.15 and train_size=None, the resulting train set will be em
545 0
ValueError: With n_samples=0, test_size=0.15 and train_size=None, the resulting train set will be em
TS中的infer
处理方式 TS中的infer
139 0
|
数据可视化 数据挖掘 开发者
Data-Basic Statistical Descriptions of Data| 学习笔记
快速学习 Data-Basic Statistical Descriptions of Data。
Data-Basic Statistical Descriptions of Data| 学习笔记
|
数据挖掘
Re15:读论文 LEVEN: A Large-Scale Chinese Legal Event Detection Dataset
Re15:读论文 LEVEN: A Large-Scale Chinese Legal Event Detection Dataset
Re15:读论文 LEVEN: A Large-Scale Chinese Legal Event Detection Dataset
|
数据挖掘
Re19:读论文 Paragraph-level Rationale Extraction through Regularization: A case study on European Court
Re19:读论文 Paragraph-level Rationale Extraction through Regularization: A case study on European Court
Re19:读论文 Paragraph-level Rationale Extraction through Regularization: A case study on European Court