Cancer Cell：第二代癌症依赖性图谱发表，优先筛选27种癌症类型的370个抗癌治疗靶点

癌症细胞系的基因筛选为探究基因功能和药物开发提供信息。已有研究利用RNAi、CRISPR，在数百种癌细胞系中进行大规模功能丧失性（LoF）筛选，确定了异质性癌症细胞生存所需的适应性或必需基因以及新的药物靶点。2017年，多个研究团队系统分析了500个RNAi筛选和300多个CRISPR-Cas9筛选，定义了癌症依赖性图谱（Cancer DepMap），以大规模识别特定的癌症依赖性，并最终根据患者的分子特征为其提供个性化治疗。

为进一步解析癌症复杂性及其在患者中的异质性，目前亟需一个由数千种癌症模型构建的扩充Cancer DepMap，并将分子标记物与基因依赖性全面联系起来。随着癌症模型和功能、基因组、转录组和蛋白质组数据集越来越多地出现，Cancer DepMap数据集的可用性不断增加，为整合上述数据提供了新机会，有助于识别新的药物靶点、开发抗癌药物。

近期，英国Sanger 研究所的Mathew J. Garnett团队及其合作者在Cancer Cell上发表了题为“ A comprehensive clinically informed map of dependencies in cancer cells and framework for target prioritization”的文章。研究团队利用多组学数据注释了930个癌细胞系，构建了第二代Cancer DepMap，并分析了来自CRISPR-Cas9筛选的分子标记与癌症依赖性之间的关系，最终确定了27种癌症类型的特定基因依赖性并对其进行优先排序。此外，该研究分析还包括临床相关的转录特征、代谢组学和蛋白质组学数据，并纳入了一组经整理的癌症驱动基因和变异；使用蛋白质互作（PPI）网络将基因依赖性与分子标记物相关联，采用数据驱动的方法揭示了特定的候选肿瘤靶点。

文章发表在Cancer Cell

1. 27种癌症类型基因依赖性的全基因组调查

研究团队首先在大多数癌症细胞系中确定了泛癌核心必需基因以及组织特异性核心必需基因；并整合了来自Sanger Project Score DepMap和Broad DepMap中针对27种癌症类型、17647个基因的全基因组CRISPR-Cas9筛选数据，将其命名为Score2数据集（图1）。最终共发现1,121个泛癌核心必要基因，569个组织特异性核心必需基因。

接下来，研究团队通过倍数变化法（FC）确定了某些细胞系中缺失的基因。结果显示，在不同组织中，组织特异性核心适应性基因和核心必需基因显示出类似的FC分布，这表明在细胞系子集中基因缺失的差异并非由不同组织的FC分布造成；所有组织（子宫内膜除外）都具有特定的依赖性。

研究团队使用正态似然比检验，量化了所有细胞系中每个基因依赖性的选择性，并使用非负矩阵分解（NMF）和基因组富集分析（GSEA）分析了依赖性特征的变化，共发现3个特征。特征1富集与代谢过程相关的terms；特征2富集了与细胞凋亡（KEGG17和GO BP细胞）过程相关terms；特征3富集了参与上皮-间质转化（EMT）的基因，这表明EMT、代谢和细胞凋亡三种细胞程序对异质癌细胞模型中基因依赖性的总体机制有影响。

图1.癌症基因依赖性图谱

2. 用于癌症依赖性检测的分子标记物

为鉴定癌症依赖性的临床相关分子标记物，研究团队整合了Score2数据集（包含来自CCLE和CMP数据库中癌细胞系的突变、基因拷贝数、蛋白组学、转录组和代谢谱等数据）并对其进行多组学特征分析，最终得到930个细胞系的CRISPR筛选数据。

研究团队还对1,768个细胞系中1,335个潜在标记物的所有二元细胞系标记物进行了整理，包括癌症驱动因素的拷贝数和基因表达数据、额外的3885个基因表达标记物、225个代谢物和6692个蛋白质组标记物，集成了一个全面而先进的临床相关多组学标志物资源，适用于模拟癌细胞的遗传依赖性。

3. 癌症依赖性标记物的综合功能分类

基于上述筛选的细胞系多组学特征，研究团队系统地分析了具有前500个基因中标记物与依赖性之间的关联（图2）。在137个独特基因依赖性关系中确定了938个依赖性-标记关联（DMA）；有3个NMF特征与其中120个依赖性关系存在显著关联。此外，研究团队还在Score2中发现了47个“癌基因成瘾性”现象，这是指导癌症药物发现的重要概念。

研究团队建立了一个增强的癌症依赖性分类系统，将具有统计学意义的DMA分为三类：成瘾-DMA、合成致死（SL）-DMA和复合-DMA。成瘾-DMA是与功能获得性（GoF）改变相关的基因依赖性；SL-DMA是与LoF事件相关的基因依赖性；复合-DMA包括转录亚型、上皮/间充质表型、通路活性和MSI状态。依据该分类系统，84.5%的DMA被归为一类。

特别的，研究团队发现基因依赖性可以根据其标记分配多个DMA类型：66.4%基因依赖性至少有一个成瘾-DMA，30.6%至少有一个SL-DMA，40.1%至少有一个复合-DMA。此外，35个依赖性具有自我成瘾DMAs，15个依赖性与同源基因相关联。上述结果表明，除典型癌症驱动基因外，许多标记物也具有重要作用，这为寻找生物标志物相关药物靶点提供了额外的途径。此外，成瘾-DMA的依赖性占优势，表明癌细胞中的GoF事件比LoF事件更可能与基因依赖性相关。

图2.Score2数据集中癌症依赖性和生物标记物的分类

4. PPI网络分析将依赖性和标记相关联

研究团队分析了PPI网络能否用于推断遗传依赖性与其标记之间的功能关系，将Score2数据集中识别的DMA嵌入PPI网络（STRING），通过随机游走与重启（RWR）算法检查标记和依赖基因之间可能的功能路径，将网络类别分为I-IV类，其中I类中功能相关标记和依赖性的概率最高（图3）。

结果显示，成瘾-DMA中网络类别I和II的比例高于SL-DMA；在III类网络患者中，SL-DMA富集；与非驱动基因相比，驱动基因标记物被分配到更显著网络类别中的比例更高。这些结果表明，许多DMA都有证据表明在PPI中存在功能性联系，并且这些联系在成瘾关系中最为密切，在标志物是癌症驱动基因的情况下更为常见；DMA的强度与PPI网络评分的功能关系呈正相关。

图3.Score2数据集中依赖性-标记关联的PPI网络

5. 第二代抗癌靶点优先排序框架

已知绘制Cancer DepMap是对候选抗癌治疗靶点进行优先排序的有用方法，研究团队通过考虑三个加权因素的组合对该方法进行了扩展：靶基因耗竭后对细胞适应性的影响强度（适应度评分）、依赖性标记物的存在（DMA评分）以及将依赖性和标记物联系起来的证据（PPI网络评分），并根据已批准药物靶点与未批准靶点的优先级分数计算阈值，将高于阈值的靶点定义为优先靶点（图4）。

研究团队在Score2中对癌症类型特异性和泛癌依赖性进行了优先排序，为27种癌症类型确定了370个独特抗癌优先靶点，其中302个是癌症类型特异性靶点，196个是泛癌症靶点，两组之间共享128个靶点。研究团队比较了Score和Score2的优先靶点列表，在Score中识别出617个癌症类型特异性靶点，其中391个在Score2中被重新分类为泛癌/组织特异性核心适应度基因。

总体而言，94%的癌症类型特异性优先靶点与一种标记物相关，其中成瘾-DMA最常见（46.8%），其次是SL-DMA（30.2%）和复合-DMA（15.4%）。值得注意的是，在至少一种癌症类型的302个优先靶点中，220个的PPI网络评分为不为零，表明PPI网络评分有助于大多数靶点的优先级排序。

图4.不同癌症类型抗癌治疗靶点的优先顺序

在302个癌症类型特异性优先靶点中，有些不止具有一个标记物（图5）。有180靶点个至少具有一种成瘾-DMA，包括自我表达成瘾癌基因（如卵巢癌中的PIK3R1、KLF5）；有100个靶点具有成瘾-DMA，这些标记物是非癌症驱动标记物，包括急性髓系白血病中的SETDB1，其具有较强PPI网络标记物PIWIL4表达。

有131个癌症类型特异性优先靶点具有SL-DMA，其中54个与癌症驱动基因LoF相关的靶点；有16个癌症类型特异性靶点和21个泛癌症靶点具有同源SL-DMA。有趣的是，尽管目前已开发出靶向CDK4/CDK6的化合物，该研究仅将CDK4确定为优先靶点、CDK6作为表达标记。当CDK6被选择性敲除时，CDK4的表达与CDK6依赖性无关。此外，CDK4在泛癌水平上构成性表达，这表明CDK4不足以缓解CDK6敲除影响。

图5.癌症类型特定的优先目标

接下来，研究团队通过代谢组学和蛋白质组学标记物确定了癌症治疗优先靶点，并将标记物的组合纳入分析中，发现与RPL22突变相关的结直肠癌中，WRN作为靶点与高POT1、BRIP1或XPA表达共同发生，并与MSI状态重叠；在卵巢癌中，ITGAX与PIK3CA突变+ ELF4基因的表达相关。

研究团队还确定了65个具有复合-DMA的靶点（图6）。WRN先前被确定为MSI的优先靶点，而BRCA2则是与错配修复基因MSH6突变相关的优先靶点；STX4/STXBP3是包括卵巢癌在内的几种癌症类型的优先靶点，其共享RAB25的基因表达标记物。这些结果表明，纳入复合-DMA在理解和揭示特定脆弱性以及识别可用于分配治疗的表型方面具有重要意义。

图6.用于基因依赖性和验证分析的双重标记

综上所述，研究团队对930个CRISPR-Cas9筛选进行了系统分析，为27种癌症类型确定了370个抗癌优先靶点。该研究是迄今为止对癌症依赖性最全面的分析，其强调了多组数据集的应用价值，并对癌症依赖性图谱提供了新的见解，凸显了“成瘾性”作为关键调节因子的重要作用。通过严格的数据驱动方法，研究团队整合了前所未有的丰富基因组、实验和临床数据，以发掘新的癌症治疗靶点，从而实现根据患者的肿瘤分子特征为其提供个性化治疗的最终目标。

参考文献：

[1] Tsherniak A, Vazquez F, Montgomery PG, et al. Defining a Cancer Dependency Map. Cell. 2017;170(3):564-576.e16. doi:10.1016/j.cell.2017.06.010

[2]Pacini C, Duncan E, Gonçalves E, et al. A comprehensive clinically informed map of dependencies in cancer cells and framework for target prioritization. Cancer Cell. Published online January 3, 2024. doi:10.1016/j.ccell.2023.12.016