Information

Auf der Suche nach einer Datenbank für Krebsmedikamente, um die Sequenzierung der Tumor-DNA von Patienten zu leiten

Auf der Suche nach einer Datenbank für Krebsmedikamente, um die Sequenzierung der Tumor-DNA von Patienten zu leiten


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Ich habe eine Frage, die ich an die Community stellen möchte. Ich habe vor kurzem Zugang zu einem Bench-Top-Ionen-Torrent-DNA-Sequenzer erhalten. Unsere Idee ist es, mit dieser Maschine die DNA aus den Tumoren von Patienten zu sequenzieren, um Behandlungsoptionen zu bestimmen. Meine Aufgabe ist es, eine Liste aller derzeit verwendeten antineoplastischen Medikamente zusammen mit ihren bekannten Zielen (d. h. spezifischen Genen und Mutationen) und Zugangsnummern zu erstellen. Ich möchte diese Daten in eine Tabelle aufnehmen, in der jede Zeile einem anderen Medikament entspricht.

Eine Zeile in der Tabelle könnte beispielsweise lauten (Spaltennamen sind in Klammern angegeben): [Krankheit] Brustkrebs, [Drug] Trastuzumab, [Drug Target] HER2/neu-Rezeptor, [Gen] ERBB2, [Location] chr17:37844393 -37884915, [Mutationstyp] Amplifikation, [Zugangsnummer] ENSG00000141736. Die Pathologen könnten dann diese Datenbank nutzen, um bei jeder Tumorprobe geeignete Gene für die Sequenzierung auszuwählen. Wenn der Tumor des Patienten ein amplifiziertes ERBB2-Gen aufwies, konnte ihm Trastuzumab verabreicht werden.

Derzeit befindet sich unsere Studie in der Vorplanungsphase (d. h. wir werden dies in absehbarer Zeit nicht an Patienten testen). Ich würde mich freuen, wenn mir jemand Tipps zur Erstellung einer solchen Datenbank geben könnte. Ich kenne Online-Datenbanken wie COSMIC, Sanger's Cancer Gene Census und die Potential Drug Target Database (PDTD), aber sie haben nicht alles, wonach ich suche. Ich bin mit R vertraut und könnte es verwenden, um bei Bedarf Daten aus mehreren Quellen zu kombinieren. Wenn noch jemand Kommentare oder Vorschläge zum Weiterlesen hat, wäre das ebenfalls dankbar. Vielen Dank!

Hinweis: Diese Frage wurde auch in einem Research Gate-Forum gestellt: http://www.researchgate.net/topic/Cancer_Biology/post/Looking_for_a_cancer_drug_target_database_to_guide_sequencing_of_patient_tumor_DNA


Ich bin mir nicht sicher, ob die Exom-Sequenzierung der richtige Weg für diese Art von Aufgaben ist, insbesondere wenn Sie eine Vorstellung davon haben, nach welchen Mutationen Sie suchen könnten. Aktuelle Arrays sind ziemlich performant und viel schneller und billiger.

Für die Daten können Sie einen Blick auf den Krebsgenom-Atlas in Betracht ziehen. Andernfalls könnte Biological Networks Ihnen die API zur Verfügung stellen, wenn Sie keine Angst davor haben, ein wenig Java zu verwenden, um sie mit R zu verbinden.


Es gibt noch keine perfekten Ressourcen für diese Informationen im öffentlichen Bereich. Es gibt jedoch drei, die wirklich gute Fortschritte machen. Das erste ist das Mycancergenom bei Vanderbilt. Sie waren eine der ersten Ressourcen, die diese Art von Informationen ins Internet stellten. Sie neigen dazu, ziemlich streng in Bezug auf Beweise und Art der Abweichungen auf der Website zu sein. Ich bin mir jedoch nicht sicher, ob Sie programmgesteuert auf diese Informationen zugreifen können. Die zweite Ressource ist die von MD Anderson entwickelte https://pct.mdanderson.org. Dies ist eine wirklich gute Ressource, jedoch nur für eine Handvoll Gene, wenn auch einige der am häufigsten mutierten. Ich sehe keinen programmatischen Zugriff auf die Informationen. Die dritte und vielversprechendste Ressource für die Community ist die CIVIC-Datenbank: https://civic.genome.wustl.edu/#/home. Dies ist eine Crowdsourcing-Ressource, die eingerichtet wurde, um krebsassoziierte Mutationen zu Medikamenten, Phänotypen und Ergebnissen zu aggregieren. Ich kann diese Seite nur wärmstens empfehlen und ermutige nicht nur zum Datenkonsum, sondern auch zu Kommentaren. Als jemand, der Drogen an das Genom angepasst hat, gibt es ein paar Ratschläge. DNA-basierte Veränderungen sind der beste Beweis für den Abgleich. Wenn Sie RNA verwenden, seien Sie etwas vorsichtiger beim Matching basierend auf dem "ist ein Ziel"-Mechanismus. Stellen Sie also DNA-basierte Veränderungen über RNA. Beginnen Sie außerdem einfach mit Wirkstoffzielen als Platzhalter, versuchen Sie jedoch, Informationen über Veränderungen in Bezug auf das Ansprechen auf das Medikament zu erhalten. Veränderungen in einem Drogenziel könnten (und oft) Passagiere und nicht Fahrer sein und reagieren in diesem Fall nicht auf das Medikament. Die Häufigkeit bei anderen Tumoren und Mutationen in wichtigen Domänen sind gute Anhaltspunkte für die Triaging-Varianten wie diese. Auch die Informationen über die Krankheit und die Mutationen sind wichtig. Wenn eine Mutation einer Arzneimittelvariante bei einer Krankheit beobachtet wird, gibt es möglicherweise Mechanismen, die einem anderen Tumortyp innewohnen, die eine Wirkung auf eine Arzneimittel-Varianten-Assoziation in dem anderen Tumortyp ausschließen würden. Schließlich ist der Arzneimittelmechanismus zu berücksichtigen. Bestimmte Medikamente, die das gleiche Ziel treffen, tun dies, jedoch mit unterschiedlichen Mechanismen, die eine Verabreichung im Zusammenhang mit bestimmten Mutationen ausschließen können. Viel Glück bei Ihren Bemühungen.


Die aufkommende klinische Relevanz der Genomik in der Krebsmedizin

Die Kombination aus Next-Generation-Sequenzierung und fortschrittlichen computergestützten Datenanalyseansätzen hat unser Verständnis der genomischen Grundlagen der Krebsentstehung und -progression revolutioniert. Die gleichzeitige Entwicklung zielgerichteter niedermolekularer und antikörperbasierter Therapien, die auf die genomischen Abhängigkeiten von Krebs abzielen, hat den Übergang von genomischen Assays in die klinische Anwendung bei Krebspatienten vorangetrieben. Neben der Identifizierung individueller zielgerichteter Veränderungen können genomische Methoden die Mutationslast messen, die eine therapeutische Reaktion auf Immun-Checkpoint-Inhibitoren vorhersagen oder krebsspezifische Proteine ​​identifizieren können, die das Design personalisierter Krebsimpfstoffe bestimmen. Zu den neuen klinischen Anwendungen der Krebsgenomik gehören die Überwachung von Behandlungsreaktionen und die Charakterisierung von Resistenzmechanismen. Die zunehmende Bedeutung der Genomik für die klinische Krebsbehandlung zeigt auch einige erhebliche Herausforderungen auf, darunter die Notwendigkeit, einen gleichberechtigten Zugang zu Genomtests zu fördern.

Figuren

Abb. 1. Klinischer Nutzen genomischer Assays…

Abb. 1. Klinischer Nutzen genomischer Assays in der Krebsbehandlung.

Nach der Einführung der nächsten Generation…

Abb. 2. Klinische Studiendesigns unter Berufung auf Krebs…

Abb. 2. Klinische Studiendesigns unter Berufung auf Krebsgenomik-Assays.

Zwei grundlegende klinische Studiendesigns für…

Abb. 3. NGS-basierte Neoantigen-Entdeckung.

Abb. 3. NGS-basierte Neoantigen-Entdeckung.

Die Entdeckung von Neoantigenen wird unter Verwendung von Next-Generation-Sequencing (NGS)-Daten von…

20 mer) oder kurze (8–11 mer) Peptide, RNA-basierte oder DNA-basierte Impfstoffe oder dendritische Zell-Impfstoffe. MHC, Haupthistokompatibilitätskomplex TCR, T-Zell-Rezeptor. Abbildung mit freundlicher Genehmigung von J. Hundal, Washington University School of Medicine in St. Louis, MO, USA, und K Campbell, Washington University in St. Louis, MO, USA.

Abb. 4. Liquid Biopsy Assays ermöglichen die…

Abb. 4. Flüssigbiopsie-Assays ermöglichen die Überwachung von genomischen Veränderungen in zirkulierenden Tumoren…


Foundation Medicine: Personalisierung von Krebsmedikamenten

Michael Pellini startet seinen Computer und öffnet einen Bericht über einen Patienten mit einem Tumor der Speicheldrüse. Der Patient wurde operiert, aber der Krebs trat erneut auf. Zu diesem Zeitpunkt wurde eine Biopsie an Foundation Medicine, das Unternehmen, das Pellini leitet, für eine detaillierte DNA-Studie geschickt. Foundation entschlüsselte etwa 200 Gene mit bekannter Verbindung zu Krebs und fand in drei von ihnen sogenannte „umsetzbare“ Mutationen. Das heißt, jeder genetische Defekt ist das Ziel von Krebsmedikamenten, die getestet werden – jedoch nicht für Speicheltumore. Soll der Patient eine davon einnehmen? „Ohne die DNA wäre niemand auf die Idee gekommen, diese Medikamente auszuprobieren“, sagt Pellini.

Ab diesem Frühjahr kann jeder Onkologe für etwa 5.000 US-Dollar einen Tumorstreifen in einer mit Strichcode versehenen Verpackung an das Labor der Foundation senden. Foundation wird die DNA extrahieren, Scores von Krebsgenen sequenzieren und einen Bericht erstellen, um Ärzte und Patienten auf Medikamente zu lenken, von denen die meisten noch in frühen Tests sind und von denen bekannt ist, dass sie auf die zellulären Defekte abzielen, die durch die DNA-Fehler verursacht werden, die bei der Analyse auftauchen. Pellini sagt, dass etwa 70 Prozent der bisher untersuchten Fälle Informationen geliefert haben, auf die ein Arzt reagieren könnte – sei es durch die Verschreibung eines bestimmten Medikaments, die Beendigung der Behandlung mit einem anderen oder die Aufnahme des Patienten in eine klinische Studie.

Die Idee einer personalisierten Medizin, die auf die Gene eines Individuums zugeschnitten ist, ist nicht neu. Tatsächlich verfolgen mehrere der Schlüsselfiguren der Foundation die Idee seit über einem Jahrzehnt mit gemischtem Erfolg. „Es gibt noch viel zu beweisen“, stimmt Pellini zu, der sagt, dass die Foundation mit mehreren medizinischen Zentren zusammenarbeitet, um die Beweise dafür zu erweitern, dass DNA-Informationen die Krebsbehandlung im Allgemeinen leiten können.

Das Geschäftsmodell der Stiftung hängt von der Konvergenz dreier jüngster Entwicklungen ab: ein steiler Rückgang der Kosten für die DNA-Entschlüsselung, viele neue Daten über die Genetik von Krebs und eine wachsende Anstrengung von Pharmaunternehmen, Medikamente zu entwickeln, die die spezifischen DNA-Defekte bekämpfen, die Zellen verursachen Krebs zu werden. Im vergangenen Jahr wurden zwei der 10 von der US-amerikanischen Food and Drug Administration zugelassenen Krebsmedikamente mit einem begleitenden DNA-Test geliefert (bisher war ein solcher Test nur für ein Medikament erforderlich). So testen beispielsweise Ärzte, die Zelboraf, Roches Mittel gegen fortgeschrittenen Hautkrebs, verschreiben wollen, den Patienten zunächst auf die Mutation BRAFV 600E, die in etwa der Hälfte aller Fälle vorkommt.

Etwa ein Drittel der 900 Krebsmedikamente, die sich derzeit in klinischen Studien befinden, könnten schließlich mit einem DNA- oder anderen molekularen Test auf den Markt kommen, so der Manager für Arzneimittelvorteile Medco. Foundation hält es für sinnvoll, alle relevanten Gene auf einmal zu untersuchen – einen sogenannten „Pan-Krebs“ -Test. Durch die genaue Entschlüsselung von Krebsgenen, sagt die Foundation, deckt sie nicht nur die am häufigsten beobachteten Mutationen auf, sondern auch seltene, die Ärzten zusätzliche Hinweise geben könnten. „Sie können sehen, dass es sehr teuer, wenn nicht sogar unmöglich wird, jeden einzelnen Marker separat zu testen“, sagt Kevin Krenitsky, COO von Foundation Medicine. Eine vollständigere Studie „schaltet alle Lichter im Raum ein“.

Bisher stammt der Großteil des Geschäfts der Foundation von fünf Pharmaunternehmen, die genetische Erklärungen dafür suchen, warum ihre Krebsmedikamente bei einigen Patienten spektakulär wirken, bei anderen jedoch überhaupt nicht. Die Industrie hat erkannt, dass Medikamente, die auf Untergruppen von Patienten ausgerichtet sind, in der Entwicklung weniger kosten, die FDA-Zulassung schneller erhalten und zu höheren Preisen verkauft werden können als herkömmliche Medikamente. „Unser Portfolio ist voll von Zielen, bei denen wir Tests auf der Grundlage der Biologie von Krankheiten entwickeln“, sagt Nicholas Dracopoli, Vizepräsident für onkologische Biomarker bei Janssen R&D, einem der Unternehmen, die Proben an die Stiftung senden. „Wenn ein Signalweg nicht aktiviert wird, hat die Hemmung keinen klinischen Nutzen. Wir müssen wissen, welcher Weg die Verbreitung der Krankheit vorantreibt.“

Krebs ist das wichtigste Testfeld für die Idee zielgerichteter Medikamente. Die weltweiten Ausgaben für Krebsmedikamente werden in diesem Jahr voraussichtlich 80 Milliarden US-Dollar erreichen – mehr als für jede andere Art von Medizin ausgegeben werden. Aber „das durchschnittliche Krebsmedikament wirkt nur in etwa 25 Prozent der Fälle“, sagt Randy Scott, Executive Chairman des Molekulardiagnostikunternehmens Genomic Health, das einen Test verkauft, der 16 Brustkrebsgene untersucht. "Das bedeutet, dass wir als Gesellschaft 60 Milliarden Dollar für Medikamente ausgeben, die nicht wirken."

Die Analyse der Tumor-DNA ist auch deshalb wichtig, weil die Forschung in den letzten zehn Jahren gezeigt hat, dass verschiedene Arten von Tumoren genetische Merkmale gemeinsam haben können, was sie mit denselben Medikamenten behandelbar macht. Betrachten Sie Herceptin, das erste Krebsmedikament, das für die Verwendung mit einem DNA-Test zugelassen wurde, um zu bestimmen, wer es erhalten sollte (es gibt auch einen Test auf Proteinbasis). Die FDA genehmigte es 1998, um Brustkrebs zu bekämpfen, der die HER2 Gen, eine Veränderung, die die Krebszellen zur Vermehrung antreibt. Dieselbe Mutation wurde bei Magen-, Eierstock- und anderen Krebsarten gefunden – und tatsächlich wurde das Medikament 2010 zur Behandlung von Magenkrebs zugelassen. „Wir haben Brustkrebs immer als Brustkrebs gesehen. Was ist, wenn ein Brustkrebs tatsächlich wie ein Magenkrebs ist und beide die gleichen genetischen Veränderungen aufweisen?“ fragt Jennifer Obel, eine Onkologin in Chicago, die den Foundation-Test verwendet hat.

Die Wissenschaft, die der Foundation Medicine zugrunde liegt, hat ihre Wurzeln in einer Studie aus dem Jahr 2007, die von Levi Garraway und Matthew Meyerson, Krebsforschern am Broad Institute in Cambridge, Massachusetts, veröffentlicht wurde. Sie fanden einen schnellen Weg, um 238 DNA-Mutationen zu finden, von denen damals bekannt war, dass sie Zellen krebserregend machen. Damals war die DNA-Sequenzierung noch zu teuer für einen Verbrauchertest – aber, so Garraway, „wir haben erkannt, dass es möglich wäre, zu vertretbaren Kosten einen Datensatz mit hoher Ausbeute zu generieren.“ Er und Meyerson begannen mit dem Broad-Direktor Eric Lander darüber zu sprechen, wie diese Informationen in die Hände von Onkologen gelangen können.

In den 1990er Jahren hatte Lander geholfen, Millennium Pharmaceuticals zu gründen, ein Genomikunternehmen, das kühn versprochen hatte, die Onkologie mit ähnlicher Genforschung zu revolutionieren. Letztendlich gab Millennium die Idee auf – aber Lander war bereit, es noch einmal zu versuchen und begann, ehemalige Kollegen zu kontaktieren, um „die nächsten Schritte in der Genomik-Revolution zu diskutieren“, erinnert sich Mark Levin, der CEO von Millennium gewesen war.

Levin war inzwischen Investor bei Third Rock Ventures. Geld war für Third Rock kein Thema, aber Levin war vorsichtig – Diagnoseunternehmen sind schwer aufzubauen und bieten manchmal niedrige Renditen. Was folgte, waren fast zwei Jahre der Strategiefindung zwischen breitgefächerten Wissenschaftlern und einer Parade von Patentanwälten, Onkologen und Versicherungsexperten, die Garraway als „wie ein maßgeschneiderter Lehrplan für Wirtschaftsschulen, der darauf abzielt, wie wir die Diagnostik in der neuen Ära durchführen werden“, beschreibt .“

Im Jahr 2010 investierte Levins Firma 18 Millionen US-Dollar in das Unternehmen Google Ventures und andere Investoren sind seitdem mit weiteren 15,5 Millionen US-Dollar nachgezogen. Obwohl die Ziele der Foundation einige der Ziele von Millennium widerspiegeln, sagen ihre Investoren, dass die Technologie endlich aufgeholt hat. „Die Vision war vor 10 bis 15 Jahren richtig, aber die Entwicklung brauchte Zeit“, sagt Alexis Borisy, Partner bei Third Rock und Vorsitzender der Foundation. „Der Unterschied besteht jetzt darin, dass Genomik zu personalisierten Handlungen führt.“

Ein Grund für den Unterschied sind die sinkenden Kosten für die Beschaffung von DNA-Daten. Bedenken Sie, dass Apple-Gründer Steve Jobs im vergangenen Jahr, vor seinem Tod an Bauchspeicheldrüsenkrebs, Wissenschaftlern mehr als 100.000 US-Dollar bezahlt hat, um die gesamte DNA seiner Krebszellen und seiner normalen Zellen zu entschlüsseln. Heute kostet das gleiche Kunststück vielleicht nur die Hälfte, und einige sagen voraus, dass es bald ein paar tausend Dollar kosten wird.

Warum also 5.000 Dollar zahlen, um den Status von nur etwa 200 Genen zu kennen? Foundation hat mehrere Antworten. Zunächst wird jedes Gen nicht einmal, sondern hunderte Male entschlüsselt, um genauere Ergebnisse zu erzielen. Das Unternehmen durchforstet auch die medizinische Literatur, um Ärzten die neuesten Informationen darüber zu liefern, wie genetische Veränderungen die Wirksamkeit bestimmter Medikamente beeinflussen. Wie Krenitsky es ausdrückt, ist die Datenanalyse, nicht die Datengenerierung, heute der geschwindigkeitsbegrenzende Faktor in der Krebsgenomik.

Obwohl die meisten Kunden der Foundation bis heute Pharmaunternehmen sind, beabsichtigt Borisy, sein Geschäft auf die Betreuung von Onkologen und Patienten aufzubauen. In den Vereinigten Staaten werden jährlich 1,5 Millionen Krebsfälle diagnostiziert. Borisy schätzt, dass die Foundation in diesem Jahr 20.000 Proben verarbeiten wird. Bei 5.000 US-Dollar pro Stichprobe ist leicht zu erkennen, wie ein solches Unternehmen Investoren belohnen könnte. „Das ist … ein 100-Millionen-Dollar-Jahresgeschäft“, sagt Borisy. „Aber dieses Volumen ist immer noch gering, wenn dies ihr Potenzial wirklich ausschöpft.“

Laut Pellini erhält die Foundation Mentoring von Google, um ihr Ziel zu erreichen, ein molekulares „Informationsunternehmen“ zu werden. Es entwickelt Apps, Längsschnittdatenbanken und Social-Media-Tools, die ein Patient und ein Arzt verwenden könnten, und ziehen gemeinsam ein iPad heraus, um vom Stiftungsbericht zu relevanten Veröffentlichungen und klinischen Studien zu gelangen. „Es wird eine neue Möglichkeit für die Welt sein, molekulare Informationen in allen möglichen Umgebungen zu betrachten“, sagt er.

Dieser Vision stehen mehrere praktische Hindernisse im Weg. Einer ist, dass einige wichtige krebsbezogene Gene bereits von anderen Unternehmen patentiert wurden – insbesondere BRCA1 und BRCA2, die im Besitz von Myriad Genetics sind. Diese Gene helfen, beschädigte DNA zu reparieren, und Mutationen in ihnen erhöhen das Risiko für Brust- oder Eierstockkrebs. Obwohl Myriads Anspruch auf ein Monopol zum Testen dieser Gene vor Gericht angefochten wird und aufgehoben werden könnte, stimmt Pellini zu, dass Patente Probleme für einen Krebstest wie den der Foundation darstellen könnten. Dies ist einer der Gründe, warum die Foundation selbst um die Einreichung von Patentanmeldungen kämpft, während sie beginnt, ihre eigenen Entdeckungen zu machen. Pellini sagt, das Ziel sei es, eine „defensive“ Patentposition aufzubauen, die dem Unternehmen „Freiheit zum Handeln“ gibt.

Ein weiteres Hindernis ist, dass die Idee, die DNA zur Steuerung der Krebsbehandlung zu verwenden, Ärzte in eine ungewohnte Position bringt. Ärzte sowie die FDA und Versicherungsgesellschaften klassifizieren Tumore und medikamentöse Behandlungen immer noch anatomisch. „Wir sind es gewohnt, Krebserkrankungen Brust, Dickdarm, Speichel zu nennen“, sagt der Onkologe Thomas Davis vom Dartmouth-Hitchcock Medical Center im Libanon, New Hampshire. „Das war unsere Kurzform für das, was zu tun ist, basierend auf empirischen Erfahrungen: ‚Wir haben dieses Medikament bei Speicheldrüsenkrebs ausprobiert und es hat nicht funktioniert.‘ ‚Wir haben es ausprobiert und 20 Prozent der Patienten reagierten.‘“

Nun wird die bekannte Taxonomie durch eine molekulare ersetzt. Es war Davis, der bei mehreren Firmen DNA-Tests für den Patienten mit dem Speicheldrüsentumor bestellte. „Ich war überwältigt von der Menge an sehr präzisen, spezifischen molekularen Informationen“, sagt er. "Es ist wunderbar, aber es ist ein wenig überwältigend." Der vielversprechendste Hinweis, der aus den Tests hervorging, waren seiner Meinung nach Hinweise auf Überaktivität der HER2 Gen – ein Ergebnis, von dem er sagt, dass es nicht von der Foundation aufgenommen wurde, sondern von einem anderen Test gefunden wurde. Dieser DNA-Hinweis legt ihm nahe, dass er versuchen könnte, Herceptin, das Brustkrebsmedikament, zu verschreiben, obwohl es nur begrenzte Beweise dafür gibt, dass es bei Speicheldrüsenkrebs wirkt. „Meine nächste Herausforderung besteht darin, die Versicherung dazu zu bringen, diese teuren Therapien auf der Grundlage eher spekulativer Daten zu bezahlen“, sagt er.

Versicherungsunternehmen sind möglicherweise auch nicht bereit, 5.000 US-Dollar für den Pan-Krebs-Test selbst zu zahlen, zumindest anfangs. Einige scheuen sich bereits davor, für etablierte Tests zu bezahlen, sagt Christopher-Paul Milne, stellvertretender Direktor des Tufts Center for the Study of Drug Development, der die Kostenerstattung als „eines der größten Hindernisse für die personalisierte Medizin“ bezeichnet. Aber Milne sagt voraus, dass es nur eine Frage der Zeit ist, bis die Zahler auftauchen, da die Zahl der Medikamente, die auf die DNA der Menschen abzielen, wächst. „Sobald Sie 10 Medikamente bekommen, die ein Screening erfordern, oder wenn Ärzte nicht daran denken würden, ein Medikament ohne vorheriges Screening zu verwenden, werden sich die Schleusen öffnen“, sagt er. "Bald werden Sie bei Krebs so Medizin machen."


Methoden

In diesem Artikel stellen wir einen Rahmen vor, um Tumorgenome gezielten Therapien zuzuordnen. Dazu nutzen wir öffentliche Datenbanken, um potenziell umsetzbare Varianten aus einer Tumorprobe herauszufiltern und die Ergebnisse anschließend mit einem evidenzbasierten System zu klassifizieren. In diesem Abschnitt beschreiben wir zunächst die verwendeten Datenbanken. Anschließend präsentieren wir die Patientendatensätze, die zur Bewertung der Machbarkeit verwendet wurden, und liefern einen Proof-of-Concept unseres Ansatzes. Abschließend beschreiben wir alle statistischen Analysen.

Datenbanken mit umsetzbaren Varianten

Unter den Hauptkriterien der Datenbankauswahl konzentrierten wir uns auf diejenigen Datenbanken, die nicht nur Informationen über das Medikament und das umsetzbare Gen, sondern auch die umsetzbare Variante (SNV, CNV, Umlagerung), die Art der Assoziation (Reaktion, Resistenz), die Stärke zusammenstellen der Evidenz (genehmigt, klinische Studien, präklinisch) und der Krebsart. Als Ergebnis haben wir die folgenden Datenbanken ausgewählt: (1) Wissensdatenbank für Genmedikamente (GDKD) [20] (Version 19, heruntergeladen von Synapse syn2370773) (2) Klinische Interpretation von Varianten bei Krebs Datenbank (CIViC) [21] (Version 01_Juni_2017) und (3) Tumorveränderungen, die für die genomische Therapie relevant sind Datenbank (ZIEL) [12] (Version 3). GDKD ist eine manuell kuratierte Datenbank prädiktiver Biomarker, die monatlich aktualisiert wird. Es integriert mehrere Ebenen von Anmerkungen, bestehend aus Krebsart, Gen, Variante, Reaktion/Resistenz, Konsens/emerging und den entsprechenden Referenzen. CIViC verwendet sehr ähnliche Annotationsebenen, ist jedoch eine von der Community betriebene Webressource. Für diese Arbeit wurden sowohl GDKD als auch CIViC so modifiziert, dass Varianten im gleichen Gen, die Annotationen von Krankheit, Arzneimittel, Evidenz und Assoziationsebenen teilen, zu einem einzigen Eintrag zusammengefasst wurden. Schließlich wurde TARGET 2014 veröffentlicht und seitdem nicht mehr aktualisiert. Zusammengenommen stellen die drei Datenbanken eine umfassende Liste von Varianten mit insgesamt 289 umsetzbaren Genen zusammen (die entweder Resistenz oder Reaktion auf Krebsmedikamente verleihen). Die Hauptmerkmale der drei Datenbanken sind in Tabelle 1 zu finden. Wir haben auch andere Quellen wie NCCN-Richtlinien, mycancergenome.org und Meric-Bernstam et al. [22] und manuell einige Expertenregeln hinzugefügt. Die vollständige Liste von 312 umsetzbaren Genen finden Sie in Zusatzdatei 1.

Datensätze

TCGA- und GENIE-Datensätze

Die Pan Krebs 12 Das Einfrieren von TCGA-Daten wurde als Patientenkohorte zum Testen unserer Berichtsmethode verwendet. Drei Datentypen wurden aus dem Synapse-Repository heruntergeladen: klinische Daten (syn2325436), somatische SNVs (syn1729383) und somatische CNVs (syn1711454). Es wurden Daten zu insgesamt 5277 Proben von 12 verschiedenen Krebsarten gesammelt. Für die Analysen in dieser Arbeit wurden nur Proben mit Mutations- und Kopienzahldaten (3184 Proben) berücksichtigt. In Bezug auf Mutationsdaten wurden „stille“ Varianten nicht untersucht. Für CNVs die Ausgabe von GISTIC 2.0 all_thresholded.by_genes wurde benutzt. Diese Datei enthält die Kopienzahldaten von Genen, die in Werte der Menge <− 2, − 1, 0, 1, 2> diskretisiert sind, wobei 0 keine Deletion oder Amplifikation bedeutet, +/− 1 Amplifikation oder Deletion oberhalb der niedrigen Rauschschwelle bedeutet und +/– 2 sind Amplifikationen und Deletionen oberhalb des hohen Schwellenwerts. Obere Schwellenwerte werden auf Stichprobenbasis berechnet und sind eine Annäherung an homozygote Ereignisse. Für die Analyse wurden wie zuvor nur hohe Amplifikationen und tiefe Verluste (+/− 2) berücksichtigt [23]. Die Abkürzungen für Krebsarten, die im gesamten Artikel und die Anzahl der Proben verwendet werden, sind: BRCA (Brustkrebs, 756), BLCA (Blasenkrebs, 97), UCEC (Uteruskrebs, 244), READ (Rektumkrebs, 69), COAD (Darmkrebs) , 155), OV (Ovarialkarzinom, 313), LUSC (Plattenepithelkarzinom der Lunge, 178), LUAD (Lungenadenokarzinom, 172), LAML (akute myeloische Leukämie, 190), KIRC (Nierenkrebs, 417), HNSC (Kopf- und Halskrebs, 306) und GBM (Glioblastoma multiforme, 287).

Der GENIE-Datensatz wurde aus dem Synapse-Repository heruntergeladen (SNVs, syn7851250 CNVs, syn7851245-Fusionen, syn7851249 klinische Daten, syn7851246). Dieser Datensatz umfasst Daten von 18.804 fortgeschrittenen Krebspatienten mit mehr als 50 verschiedenen Krebsentitäten [24]. Mutations- und Kopienzahldaten wurden auf die gleiche Weise wie für den TCGA-Datensatz beschrieben analysiert.

NCT MASTER-Datensatz

Patienten

Ein Proof-of-Concept der Methode im klinischen Kontext wurde im Rahmen einer retrospektiven Studie untersucht. Wir verwendeten die Daten von 11 Patienten mit fortgeschrittenen Tumorerkrankungen, die sich einer vollständigen Exom- und Transkriptomsequenzierung im Rahmen der sogenannten NCT MASTER-Studie unterzogen hatten, einem von einem institutionellen Review Board genehmigten klinischen Sequenzierungsprogramm für junge Erwachsene mit hämatologischen und onkologischen Erkrankungen im fortgeschrittenen Stadium Malignome. Ein Tumorgewebe und eine passende normale Blutprobe für die Sequenzierung des gesamten Exoms wurden nach schriftlicher Einwilligung nach einem von der Institutional Review Board genehmigten Protokoll erhalten.

Gesamtexom-Sequenzierungsdaten

Gewebeproben wurden von der NCT Heidelberg Tissue Bank zur Verfügung gestellt. Der Ganzexom-Sequenzierung von normalen und Tumorgewebeproben folgte eine bioinformatische Analyse zum Nachweis von SNVs, kleinen Insertionen und Deletionen (Indels), CNVs und strukturellen Variationen, die zu Genfusionen führen könnten. Im Durchschnitt betrug die Abdeckung 133× bzw. 126× für Tumor- und normale Proben (probenweise Daten finden Sie in Zusatzdatei 2). Die Reads wurden der 1000 Genome Phase 2-Assemblierung des menschlichen Referenzgenoms (NCBI Build 37.1) unter Verwendung von BWA (Version 0.6.2) mit Standardparametern und einer maximalen Insertgröße von 1000 bp zugeordnet [25]. BAM-Dateien wurden mit SAMtools (Version 0.1.19) [26] sortiert und Duplikate mit Picard-Tools (Version 1.90) markiert. Für die Erkennung von SNVs haben wir unsere hauseigene Analysepipeline auf Basis von SAMtools mpileup und bcftools mit Parameteranpassungen angewendet, um den Aufruf somatischer Varianten mit heuristischer Filterung wie zuvor beschrieben zu ermöglichen [27,28,29]. Wir haben Platypus [30] Version 0.5.2 verwendet, um Indels mit einer ähnlichen Zuverlässigkeitsbewertung wie bei SNVs zu identifizieren. Alle Mutationen wurden mit ANOVAR [31] Version September 2013 unter Verwendung des RefSeq-Genmodells annotiert. Aus dem Satz somatischer Mutationen mit hoher Konfidenz extrahierten wir nicht-synonyme Stopgain- und Stoploss-SNVs sowie SNVs an Spleißstellen und Indels, die sich in einer kodierenden Sequenz oder Spleißstelle befinden. CNVs wurden durch Read Depth Plots und eine hauseigene Pipeline unter Verwendung der VarScan2-Module copynumber und copyCaller analysiert [32]. Regionen wurden nach nicht kartierbaren genomischen Abschnitten gefiltert und zusammengeführt, indem mindestens 70 Marker pro aufgerufenem Kopienzahlereignis benötigt wurden. Wir wählten Regionen mit einem logarithmischen Verhältnis von Tumorabdeckung zu Kontrollabdeckung von mehr als 0,55 bzw. weniger als − 0,55 als Kopienzahlgewinn bzw. -verlust aus und annotierten sie mit RefSeq-Genen unter Verwendung von BEDTools [33]. Wir suchten nach Strukturvarianten wie Translokationen, die zu Genfusionen mit CREST [34] auf DNA-Ebene führen könnten.

Die Variantenaufrufe wurden in Excel-Dateien übermittelt, und für jeden Patienten überarbeitete eine Gruppe von erfahrenen Bioinformatikern und Onkologen manuell die Liste der somatischen Veränderungen auf der Suche nach umsetzbaren Veränderungen, die die Behandlungsentscheidung leiten könnten. Die genomischen somatischen Anrufe der Patienten sind zusammen mit den Interpretationen der Experten in Zusatzakte 2 zusammengefasst.

Statistische Analysen

Wir führten ein unbeaufsichtigtes Clustering unter Verwendung des molekularen Status der 312 umsetzbaren Gene in den 3184 TCGA-Tumorproben durch. Es wurden vier molekulare Kategorien verwendet: Wildtyp, mutiert, Amplifikation auf hohem Niveau und tiefer Verlust. Als Wildtyp galten Gene ohne Mutationen oder mit „stillen“ Varianten. Gene mit einer anderen Art von Mutation wurden als mutiert betrachtet. In Bezug auf CNVs, GISTIC-Ausgabe all_thresholded.by_genes wurde benutzt Gene mit einem Wert von − 2 wurden als tiefe Verluste und + 2 als hochgradige Amplifikationen klassifiziert. Als nächstes wurde unser Algorithmus zum Filtern von Varianten angewendet und eine molekulare Statusmatrix (Probe x Gen) konstruiert. Gene ohne jegliche Veränderung in irgendeiner Probe wurden entfernt. Hierarchisches Clustering mit vollständiger Verknüpfung wurde für Zeilen und Spalten basierend auf der Gower-Distanzmetrik für Nominaldaten (Gänseblümchen Funktion aus R-Paket Cluster). Die jeweilige Heatmap aller Proben und der Top 50 Gene wurde mit Dendrogramm auf den Säulen aufgetragen (Heatmap.2 von gplots R-Paket).


Auswahl der klinischen Probe

Die meisten Präparate, die von anatomischen Pathologen untersucht werden, sind in Formalin (4 % Formaldehyd) fixiert und in Paraffin (FFPE) eingebettet. Das Formalin führt Quervernetzungen ein, die sowohl DNA fragmentieren als auch chemische Veränderungen verursachen können, die die Sequenzierungsergebnisse verändern können [19]. Frühe Studien zeigten, dass die Verwendung von FFPE-Proben bei der PCR-basierten Sequenzierung zu mehr Fehlern führte als die Verwendung von gefrorenen Proben [20]. Einige Projekte, darunter The Cancer Genome Atlas (TCGA), erforderten die Verwendung von frisch gefrorenem Gewebe [21]. Es gab große Fortschritte bei der Änderung der DNA-Extraktionsmethoden, sodass FFPE-Proben für NGS genauso nützlich sind wie frisch gefrorene Proben [22]. Obwohl es einige frühe Versuche gab, FFPE-Proben für andere Modalitäten neben der DNA-Sequenzierung zu verwenden [23, 24], sind diese Tests klinisch noch nicht weit verbreitet und die Zuverlässigkeit von FFPE gegenüber gefrorenen Proben ist weniger gut etabliert. Kliniker sollten sich wohl fühlen, NGS für FFPE-Proben anzufordern, und müssen die Proben nicht unbedingt anders handhaben als andere diagnostische Proben.

Bei den meisten Krebsarten erfordert die pathologische Standarddiagnose eine direkte Gewebeprobe für die Biopsie. Viele Forschungsgruppen untersuchen jedoch den diagnostischen und therapeutischen Nutzen von „Liquid Biopsies“. Eine solche Quelle für genetisches Material zur Überwachung von Krankheiten sind zirkulierende Tumorzellen (CTCs). Diese leiden an einer niedrigen Frequenz (ungefähr 1 Zelle von 10 6 –10 8 insgesamt zirkulierenden Zellen) und müssen daher einen Anreicherungsschritt durchlaufen. Es wurde über eine große Anzahl von Protokollen zur Sammlung und Sequenzierung von CTC berichtet, die prospektiv evaluiert werden [25, 26]. Alternativ kann aus apoptotischen Zellen im Tumor freigesetzte DNA aus dem peripheren Blut untersucht werden und wird üblicherweise als zirkulierende Tumor-DNA (ctDNA) bezeichnet. Der Fortschritt bei der Verwendung von ctDNA wurde kürzlich überprüft [27], wobei die Autoren zu dem Schluss kamen, dass dieser Ansatz sehr vielversprechend ist, um eine minimale Resterkrankung zu erkennen [28] oder die Diagnose zu verbessern, indem nach Mutationen gesucht wird, die spezifisch mit einem bestimmten Krankheitstyp assoziiert sind [ 29]. RNA ist im zirkulierenden Blut viel weniger stabil als DNA, aber RNA-Spezies können in extrazellulären Vesikeln konserviert werden und Informationen über das Wiederauftreten von Tumoren können auch daraus gewonnen werden [30]. Die Reproduzierbarkeit hat jedoch RNA-basierte Studien geplagt, und RNA-Assays sind noch nicht reif für den klinischen Einsatz [31].

Tumorheterogenität ist sowohl eine Herausforderung für Flüssigbiopsien als auch der Grund, warum sie nützlicher sein können als Gewebebiopsien [32]. Anfänglich können Mutationen mit einer geringen Allelfraktion, die nur in einer Untergruppe von Tumorzellen vorhanden sind, von Flüssigbiopsien übersehen werden, da die geringe Menge an DNA-Input in den Assay durch die geringe Inzidenz der Mutation verstärkt wird. Dies macht es sehr schwierig, Mutanten mit niedriger Allelfraktion von Fehlern zu unterscheiden, die der Hochdurchsatz-Sequenzierung inhärent sind (siehe unten). Die Möglichkeit, minimal-invasive Proben im Laufe der Zeit wiederholt zu sequenzieren, wird jedoch eine schnellere Erkennung bekannter Resistenzmutationen ermöglichen. Sequenzierungsartefakte sollten zufällig sein, aber Sequenzen, die seriell erscheinen, können gewichtet und genauer verfolgt werden. Es sollte auch beachtet werden, dass Fehler bei der Ausrichtung von Reads auf den richtigen Locus scheinbar wiederkehrende Mutationen ergeben, so dass alle Mutationen, die zur seriellen Verfolgung der Tumorlast verwendet werden, manuell überprüft werden sollten. Insgesamt ist die Sequenzierung von Tumor-DNA aus peripherem Blut vielversprechend, aber ihre Verwendung wird noch untersucht, und Kliniker sollten sich auf andere Methoden zur Verfolgung des Krankheitsverlaufs verlassen.


Mitgliedschaften

Abteilung für Molekulare Karzinogenese, Oncode Institute, The Netherlands Cancer Institute, Amsterdam, Niederlande

Sidney Kimmel Comprehensive Cancer Center in Johns Hopkins, Baltimore, MD, USA

Ludwig-Institut für Krebsforschung und Universität Lausanne, Lausanne, Schweiz

Howard Hughes Medical Institute and Cancer Biology and Genetics Program, Sloan Kettering Institute, Memorial Sloan Kettering Cancer Center, New York, NY, USA

Institute for Genomic Medicine at Nationwide Children’s Hospital, Ohio State University College of Medicine, Columbus, OH, USA

Howard Hughes Medical Institute and University of Texas Southwestern Medical Center, Dallas, TX, USA

Department of Medical Oncology, Dana-Farber Cancer Institute, Boston, MA, USA

Bloomberg-Kimmel Institute for Cancer Immunotherapy and Department of Medicine, Johns Hopkins University School of Medicine, Baltimore, MD, USA

Francis Crick Institute, London, UK

BIOPIC, Beijing Advanced Innovation Center for Genomics, School of Life Sciences, Peking University, Beijing, China

Peking-Tsinghua Center for Life Sciences, Academy for Advanced Interdisciplinary Studies, Peking University, Beijing, China


This work was supported by the Consejo Nacional de Ciencia y Tecnolog໚ (SEP-CONACYT-2016-285544 and FRONTERAS-2017-2115), and the National Institute of Genomic Medicine, México. Additional support has been granted by the Laboratorio Nacional de Ciencias de la Complejidad, from the Universidad Nacional Autónoma de México. EH-L is recipient of the 2016 Marcos Moshinsky Fellowship in the Physical Sciences.

Die Autoren erklären, dass die Forschung ohne kommerzielle oder finanzielle Beziehungen durchgeführt wurde, die als potenzieller Interessenkonflikt ausgelegt werden könnten.


Schlussfolgerungen

The implementation of precision medicine through molecular profiling technologies has increasingly been integrated with standard clinicopathological evaluations to enhance diagnosis, prognostication, and prediction of clinical outcomes. Although there have been clear successes in the era of molecular characterization, the utility of NGS and other omics-based tests remains unproven on many fronts. A vision for the future of precision medicine will integrate comprehensive multi-omic tumor characterization, dynamic monitoring of liquid biopsy samples, annotation that is automated through advancements in artificial intelligence but guided by experts’ clinical input, the enrollment of patients into innovative clinical trials that not only test molecular profile–drug matching but also investigate the utility of different drug-assignment algorithms [179], and the real-time addition of information from each case to global knowledgebases to enhance precision cancer medicine learning. The path forward in precision medicine will require not only extension beyond genomics from a technical viewpoint, but also the education and engagement of end-users such as clinicians and patients, the increase of access to genotype–drug matching through adaptive and other innovative clinical trial designs, and the promotion of data sharing to maximize knowledge gain.


Pros and Cons of Genomic-Based Clinical Trials

Compared with an “all comers” trial, genomic-based clinical trials offer some definite advantages. Chief among these are the opportunity to develop clinical evidence that targeting several particular molecular abnormalities in the same trial will reveal one or several potentially clinically beneficial treatments. An umbrella trial will allow evaluation of treatments for several molecular subclasses of patients within the same histologic tumor type. If such a trial is designed to proceed to a randomized phase III trial, as in LUNG-MAP (28, 29), it may significantly shorten time to regulatory approval in a particular disease, although effectively “weeding out” targeted agents without significant benefit, and allowing inclusion of additional “arms” as promising data emerge. In LUNG-MAP, for example, the phase II arm sets an HR of 0.4 to 0.5 for progression-free survival. If this endpoint is met, the phase II trial will proceed to phase III within LUNG-MAP, with the endpoint of overall survival. In addition, presuming all molecularly characterized patients with the same histology will not respond uniformly, such trials will allow research about other genomic or clinical features that may modify or prevent response, leading to new insights about combinations with drugs that address resistance pathways. Similar advantages apply to a basket trial, in which a broad screening effort can identify patients with various tumors with the same molecular abnormality. Those cancer histologies that have relatively high prevalence of the molecular target create subgroups that may develop solid signals of efficacy within a particular histologic tumor type. Here, in addition to being able to discern clinical and molecular features that modify response, one can also look at such features across histologic tumor types. Such a trial could speed registration for a given treatment to many and not just a single tumor histologic type.

However, there are also certain challenges to genomic-based clinical trials. International collaboration may be required for all but the most common histologic tumor types and genomic mutations. Time and effort are required to set up proper infrastructure and account for different regulations across countries as well as to negotiate agreements with several pharmaceutical companies. For trials to be most efficient, high levels of evidence should exist that the chosen drug will result in benefit for tumors with a particular molecular characteristic. It is not often possible to discern “best in class” drugs, or promising drugs may still be too early in development to be included. Many molecular abnormalities have low prevalence in any given tumor type (<10%), requiring a broad screening effort, and molecular abnormalities with high prevalence (e.g., TP53 oder RAS mutation) may not have effective targeted regimens. Time delays may increase the risk that standard of care treatment may change during the time required to activate and/or complete the trial, or new drugs may be approved that affect the design of, or accrual to, the trial. For basket trials, the regulatory pathway may not be clear, unless the signal of activity is exceptionally strong. In rare tumors, without existing standard treatment, the regulatory path may be easier than in tumors with standard treatment. In tumors where standard treatment is of high efficacy, there is significant challenge to show improvement by a novel treatment. Finally, there is also the possibility that NGS may identify previously undiagnosed germline mutations (which may be present in tumor tissue as well), even in patients without a family history (30, 31). Best practices to address these issues have yet to be worked out.


Acute Myeloid Leukemia

The TARGET Acute Myeloid Leukemia projects elucidate comprehensive molecular characterization to determine the genetic changes that drive the initiation and progression of high-risk or hard-to-treat childhood cancers. Acute myeloid leukemia (AML) is a cancer that originates in the bone marrow from immature white blood cells known as myeloblasts. About 25% of all children with leukemia have AML. Although survival rates have increased since the 1970s, approximately half of all childhood AML cases relapse despite intensive treatment. Additional therapies following relapse are often unsuccessful and can be especially difficult and damaging for children. These patients would clearly benefit from targeted therapeutic approaches.

Through comprehensive genome-wide characterization, TARGET researchers are identifying the genetic and epigenetic alterations of relapsed disease. The ultimate goal is to translate their discoveries into novel treatments that will improve outcomes for children with AML. To learn more about pediatric AML and current treatment strategies, visit the NCI pediatric AML website.

TARGET investigators are analyzing tumors from pediatric patients, many who have relapsed, to identify biomarkers that correlate with poor clinical outcome and/or new therapeutic approaches to treat childhood AML. The tissues used in this study were collected from patients enrolled in Children's Oncology Group (COG) biology studies and clinical trials.

The AML project team members (like other TARGET researchers) are generating data in two phases: Discovery and Validation. Visit the TARGET Research page to learn more.

Discovery Dataset

The TARGET AML project has produced comprehensive genomic profiles of nearly 200 relapse-enriched, clinically annotated patient cases in the discovery dataset. This cohort includes

100 patients with adequate relapse specimens to study as trios (see three sample types below). Each fully-characterized TARGET AML case includes data from nucleic acid samples extracted from peripheral blood or bone marrow tissues as follows:

  • Primary tumor sample collected at diagnosis
  • Case-matched tissue sample collected at remission (<5% blasts detected following standard induction therapy)
  • Relapsed tumor sample (case-matched) when available

Additional cases with partial molecular characterization and/or sequencing data are available to the research community.

Case Selection Criteria

Tissues and clinical data used for the TARGET AML project were obtained from patients enrolled on biology studies and clinical trials managed through the Children’s Oncology Group (COG). Patient samples with full characterization were chosen based on the following criteria:

  • Patients achieved a remission following a standard two rounds of induction therapy (fewer than 5% blasts)
  • Bone marrow and peripheral blood blast counts of >50% in tumor specimens
  • Adequate amount of high-quality nucleic acids for comprehensive genomic profiling
  • 3 or fewer clinically-relevant cytogenetic findings (majority of cases)

Molecular Characterization

The TARGET AML project team relied on a variety of platforms to obtain a fully characterized dataset of

200 relapse-enriched cases. The COG AML Statistics and Data Center provided clinical annotations and outcome data for all cases. Visit the TARGET Project Experimental Methods page for detailed information and protocols.

General Methodology Plattform
Clinical Annotation COG Protocols (CCG-2961, AAML03P1, AAML0531)
Gene Expression Affymetrix Gene ST Array
Chromosome Copy Number Analyses & Loss of Heterozygosity Affymetrix SNP 6.0 Array
Epigenetics (DNA Methylation) Illumina Infinium 27K or 450K
Whole Genome Sequencing Complete Genomics Incorporated
Whole Exome Sequencing Illumina Hi-Seq 2000
mRNA-seq Illumina Hi-Seq 2000
miRNA-seq Illumina Hi-Seq 2000

Verification of Discovery Variants

The TARGET AML project team utilized a variety of sequencing approaches to confirm candidate variants identified in the discovery sample cohort as somatic. For example, mRNA-seq results are being used to determine variants which were expressed and originally identified through whole genome or exome sequencing. These verified variants will be made available as open-access data. The TARGET AML project team has additionally employed the same targeted capture sequencing approach described in the validation strategy below to verify variants seen in a variety of tumor, remission and/or relapse samples from a majority of fully-characterized patient cases in the TARGET AML discovery cohort.

Validation Strategy

Some sequence mutations identified in the relapse-enriched discovery cohort, along with some previously published variants in adult AML, were further analyzed in an additional 600-plus cases. The TARGET AML project team employed targeted capture sequencing to look at the presence and frequency of alterations in 400 gene variants. This validation effort was performed in an unbiased cohort that was randomly selected from patients enrolled on a single COG protocol, which allowed for determination of the frequency of these changes across a broader spectrum of AML subtypes.

FHCRC AML Dataset

Children with AML whose disease is refractory to standard induction chemotherapy therapy or who experience relapse after initial response have dismal outcomes. Pediatric AML miRNA samples were sequenced to identify dysregulated genes and assess the utility of miRNA signature for improved outcome prediction. RNA-seq and other high-throughput next-generation sequencing platforms have emerged as powerful approaches for discovering pathogenic pathways and potential targets for clinical intervention in patients with AML. Within the Fred Hutchinson Cancer Research Center (FHCRC) AML dataset, there are 18 cases which got RNA-seq that overlap with the AML Discovery cohort and 26 cases that overlap with the AML Validation cohort. These data from the Children’s Oncology Group are stored together at the Data Coordinating Center and Genomic Data Commons for ease of use.

All data from the discovery and validation efforts are made available as specified in the Using TARGET Data and TARGET Publication Guidelines pages. The TARGET Data Matrix provides an overview of the data generated and described above.

TARGET includes comprehensive genomic characterization of some highly aggressive subtypes of pediatric cancers, including acute myeloid leukemia “induction failures” (AML-IF). Upon diagnosis, AML patients without high-risk genetic markers undergo standard chemotherapy regimen, called the primary induction phase to eliminate most cancer cells and induce a remission state. Successful treatment reduces the percentage of myeloblasts (immature white blood cells) detected in the patient following primary induction chemotherapy to less than 15%. Patients with greater than 15% myeloblasts did not sufficiently respond to standard therapy and are “induction failures.” Currently, these patients have few clinical options for further treatment.

Discovery Dataset

The TARGET AML-IF subproject has produced comprehensive genomic profiles of 30 clinically annotated patient cases. Each fully-characterized TARGET AML-IF case consists of data generated from nucleic acid samples extracted from case-matched tumor and normal tissues as follows:

  • Primary tumor sample collected at diagnosis
  • Control fibroblast sample grown from the patient’s bone marrow (case-matched)
  • Tumor obtained at the end of induction phase of treatment (2 rounds)

Case Selection Criteria

Tissues and clinical data used for the TARGET AML-IF project were obtained from patients enrolled on biology studies and clinical trials managed through the Children’s Oncology Group (COG). Patient samples with full characterization were chosen based on the following criteria:

  • Patients failed to achieve remission following a standard two rounds of induction therapy (>15% blasts)
  • Adequate amount of high-quality nucleic acids for comprehensive genomic profiling

Molecular Characterization

The TARGET AML project team relied on a variety of platforms to obtain a fully characterized dataset of 30 AML-IF cases. The COG AML Statistics and Data Center provided clinical annotations and outcome data for all cases. Visit the TARGET Project Experimental Methods page for detailed information and protocols.



Bemerkungen:

  1. Xever

    Ich bin auch mit dieser Frage aufgeregt. Sagen Sie mir bitte - wo ich weitere Informationen zu dieser Frage finden kann?

  2. Tusida

    Ich teile Ihre Meinung voll und ganz. A good idea, I agree with you.

  3. Bowen

    die schöne frage

  4. Dru

    Bravo, was für ein Satz ... der ausgezeichnete Gedanke

  5. Zulkim

    It seems to me a remarkable phrase

  6. Lanston

    die ausgezeichnete Variante



Eine Nachricht schreiben