预测基因必需性模型
建立弹性网络模型预测癌症细胞系中的基因必需性，用于后续转化。
使用DEPMAP中897个细胞系的基因必需性评分和表达、突变、拷贝数数据，训练弹性网络回归模型，并通过十折交叉验证筛选。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
构建癌症基因组图谱的转化依赖性图谱
Building a translational cancer dependency map for The Cancer Genome Atlas
实验完整度
高实验包含细胞模型、患者肿瘤数据、PDX模型和健康组织数据等多个证据层次、体外和体内CRISPR筛选及功能验证，机制验证明确。
主要模型
TCGA患者肿瘤样本 癌细胞系 患者来源异种移植瘤模型 GTEx健康组织样本
重点核对
弹性网络模型使用表达数据和组学数据 转录对齐使用cPCA去除前四个主成分 CRISPR/Cas12筛选使用AsCas12a和enAsCas12a 体外验证使用2D单层和3D球体 体内验证使用SCID/beige小鼠
摘要
癌症依赖性图谱加速了肿瘤脆弱性的发现，这些脆弱性在可转化为患者时可作为药物靶点。癌症基因组图谱（TCGA）是一个详述癌症发病过程中发生的遗传、表观遗传和分子变化的图谱汇编，但它缺乏将基因必需性转化为患者肿瘤的依赖性图谱。在这里，我们使用机器学习为患者肿瘤构建转化依赖性图谱，该图谱识别出可预测药物反应和疾病结果的肿瘤脆弱性。类似的方法用于绘制健康组织中的基因耐受性，以优先考虑具有最佳治疗窗口的肿瘤脆弱性。实验测试了一部分患者可转化的合成致死性，包括PAPSS1/PAPSS12和CNOT7/CNOT78，这些在体外和体内均得到验证。值得注意的是，PAPSS1合成致死性是由PAPSS2与PTEN的附带缺失驱动的，并与患者生存期相关。最后，转化依赖性图谱以网络应用程序的形式提供，用于探索肿瘤脆弱性。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何利用机器学习将细胞系中的基因必需性数据转化为患者肿瘤的依赖性图谱，以识别肿瘤脆弱性和合成致死性？
- 核心机制
- PAPSS1合成致死性由PAPSS2与PTEN的附带缺失驱动，导致硫酸化途径受损；CNOT7/CNOT8为CCR4-NOT复合物催化亚基，参与mRNA稳定性。
- 主要证据
- 通过TCGADEPMAP预测、CRISPR/Cas12筛选和体外/体内实验验证，PAPSS1/PAPSS2和CNOT7/CNOT8合成致死性在细胞系和小鼠模型中确证，且PAPSS1依赖性患者生存期显著缩短。
- 研究意义
- 提供了TCGADEPMAP、PDXEDEPMAP和GTEXDEPMAP作为研究肿瘤依赖性和耐受性的资源，并支持药物靶点发现。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
构建TCGADEPMAP依赖图谱
将细胞系中的基因必需性模型转化为TCGA患者肿瘤的依赖图谱，识别患者相关脆弱性。
使用表达数据弹性网络模型，对TCGA患者肿瘤样本进行转录对齐（cPCA去除cPC1-4）后转置，生成依赖评分，并与遗传驱动因子关联。
合成致死性预测与筛选
在TCGADEPMAP中预测合成致死性并实验验证。
使用Lasso回归结合TCGA患者中LOF事件预测合成致死候选，通过UNCOVER和系统发育距离等过滤，并利用多重CRISPR/Cas12筛选进行实验验证。
体外验证CNOT7/8和PAPSS1/2合成致死性
验证候选合成致死对在细胞模型中的功能影响。
在多种细胞系中进行单基因和双基因敲除，通过2D单层和3D球体培养评估细胞活力，并用流式细胞仪分析硫酸化HSPG水平。
体内验证PAPSS1/2合成致死性
在动物模型中确认PAPSS1/2合成致死性的治疗效果。
将UMUC3细胞（NT或PAPSS1-KO）植入SCID/beige小鼠，监测肿瘤体积，并经约22天后分析肿瘤。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
验证分子表达变化
评估体内效果
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 机器学习建模 | glmnet R包 | -- | v.4.1.3 |
| CRISPR筛选 | CRISPR/Cas12a文库 | -- | -- |
| CRISPR敲除 | Cas12 Ultra | Integrated DNA Technologies | 10007804 |
| 蛋白表达分析 | Simple Western | ProteinSimple, BioTechne | -- |
| Western blot | PAPSS1抗体（克隆1F4） | Abnova | H00009061-M05 |
| PAPSS2抗体 | Cell Signaling Technology | 70638 | |
| PTEN抗体 | Cell Signaling Technology | 9552 | |
| CNOT7抗体 | Santa Cruz | sc-101009 | |
| CNOT8抗体 | LSBio | LS-C99242-400 | |
| β-肌动蛋白抗体（克隆8H10D10） | Cell Signaling Technology | 3700 | |
| GAPDH抗体（克隆14C10） | Cell Signaling Technology | 2118 | |
| α-微管蛋白抗体 | Cell Signaling Technology | 2144 | |
| 流式细胞术 | 10E4-FITC抗体 | US Biological Life Sciences | H1890-10 |
| 肝素酶III | New England Biolabs | P0737L | |
| 细胞培养 | 超低附着96孔板 | Corning | 7007 |
| 活细胞成像 | Incucyte S3 | Sartorius | -- |
| 细胞活力检测 | CellTiterGlo | Promega | G9681 |
| 救援实验 | 硫酸乙酰肝素 | Sigma | H7640 |
| 动物实验 | 基质胶 | Corning | 356235 |
| 细胞培养 | 多西环素 | -- | -- |
| DAPI | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 预测模型构建 | DEPMAP数据版本（1Q21）、表达、突变和拷贝数数据来源；弹性网络参数（α=0.5）；交叉验证阈值（R>0.2，FDR<0.001）。 阅读提示：Methods: Predictive modeling of gene essentiality using DEPMAP data |
| 转录对齐 | cPCA去除cPC1-4的具体方法；批次校正步骤；TCGA样本纳入标准（每个患者仅原发肿瘤）。 阅读提示：Methods: Model transposition following transcriptional alignment... |
| CRISPR筛选 | 使用的酶（AsCas12a或enAsCas12a）；细胞系列表；MOI和培养天数；测序平台。 阅读提示：Methods: Multiplexed screening synthetic lethalities using AsCas12a... |
| 体外验证 | RNP电穿孔条件；球体培养条件；细胞活力检测时间；抗体稀释度。 阅读提示：Methods: Experimental validation of PAPSS1/2 and CNOT7/8 synthetic lethality |
| 体内验证 | 小鼠品系（SCID/beige）；细胞注射剂量（1x10^6）；Matrigel比例；肿瘤测量和终点。 阅读提示：Methods: Experimental validation... |
| 统计分析 | 生存分析的方法（Cox log-rank），PFI定义及协变量控制。 阅读提示：Methods: Associating clinical outcomes with tumor dependencies... |