Рак 101 (Мария Шутова, ИоГЕН РАН)

Post on 25-Dec-2014

159 Views

Category:

Science

5 Downloads

Preview:

Click to see full reader

DESCRIPTION

http://bioinformaticsinstitute.ru/guests В пятницу 10 октября в 19.00 Мария Шутова (ИоГЕН РАН) выступала в Институте биоинформатики с открытой лекцией, посвященной изучению рака. Рак -- одна из наиболее распространенных причин смерти по всему миру. В лекции рассматривается, как знания об эволюции, работе генома, репрограммировании, а также использование биоинформатических методов помогли лучше понять, как развивается раковая опухоль и предложить новые методы лечения разнообразных типов рака. Рассмотрены мышиные модели развития рака и интересные результаты, которые были получены с их помощью.

TRANSCRIPT

Рак  101  

Мария  Шутова,  к.б.н.,  н.с.  ИОГен  РАН  

ЭСК  

биология  развития  TF   iPSCs  

регенеративная    медицина  

редактирование    генома  

наследственные    заболевания  рак  

эволюция  

GEMMs  

Типы  рака  легких    (гистология)  

SCLC  vs  NSCLC  

•  metastasizes  late  •  long  latency  period  •  usually  treated  before  it  spreads  

•  slow  growing  and  progression  

•  beger  prognosis,  higher  5  year  survival  rate  

•  surgery  before  metastasis  

•  smoking  is  the  main  case  •  metastasizes  early  •  shorter  latency  •  usually  discovered  aker  spreading  to  regional  nodes  

•  35  weeks  average  survival  with  treatment  

•  radiamon  and  chemotherapy  

•  Myc,  p53  mutamons  

Yates  et  al.,  2012  

Chromosomal  instability   Microsatellite  instability    

Yates  et  al.,  2012  

Фенотип  опухоли  

•  накопленные  мутации  •  (stem-­‐cell-­‐like?)  свойства  начальных  клеток,  тип  начальных  клеток  

•  микроокружение  опухоли  –  изначальное,  и  в  процессе  роста  

•  терапия  

Bunn  et  al.,  2012  

Типы  рака  легких  (генетика)  

97%  этих  мутаций  –  взаимоисключающие!  

+p53,  Rb  

Pietanza  &  Marc  Ladanyi,  2012  

Типы  рака  легких  (генетика)  Sharma  et  al.,  2010  

Типы  рака  легких  (cell  of  origin)  

Kate  D.  Sutherland,  Anton  Berns,  2010  

in  vitro  known  as    Bronchialveolar  Stem  Cells?    (Kim  et  al.,  2005)  

“Stemness”  tests:  -­‐  in  vitro  propermes  (+spheres)  -­‐  lineage  tracing  by  spec  markers  -­‐  xenograks  (trachea,  

subcutaneously)  -­‐  chemoresistance  

Goding  et  al.,  2014  

Типы  рака  легких  (cell  of  origin)  

Kate  D.  Sutherland  and  Anton  Berns,  2010  

ЭСК  

биология  развития  TF   iPSCs  

регенеративная    медицина  

редактирование    генома  

наследственные    заболевания  рак  

эволюция  

GEMMs  

“Stemness”?  

Goding  et  al.,  2014  

Krizhanovsky  &  Lowe,  2009  

“Stemness”?  

Kreso  and  Dick,  2014  

“Stemness”?  

Karagiannis  &  Yamanaka,  2014  

Apostolou  &  Hochedlinger,  2013  

Buganim  et  al.,  2013  

Buganim  et  al.,  2012  

Buganim  et  al.,  2012  

Nguyen  et  al.,  2012  

reprogramming  vs  cancer  

Apostolou  &  Hochedlinger,  2013  

reprogramming  of  the  cancer  genome  

leukemia,  lymphoma,  and  breast  cancer  

fail  RAS-­‐inducible  melanoma  

developed  cancer  with  higher  penetrance,  shorter  latency,  and  an  expanded  tumor  spectrum  

Hochedlinger  et  al.,  2004  

Lgr5  story  (Clevers  lab)  

Lgr5  story  (Clevers  lab)  

!  

ЭСК  

биология  развития  TF   iPSCs  

регенеративная    медицина  

редактирование    генома  

наследственные    заболевания  рак  

эволюция  

GEMMs  

genemcs  +  cell  of  origin  =  cancer  evolumon  

Podlaha  et  al.,  2012  

cell  of  origin  +  genemcs  =  cancer  evolumon  

классическая  модель:  множественная,  последовательная  клональная  экспансия  обусловленная  накоплением  мутаций,  

селектируемых  под  давлением  микроокружения  

(most  recent  common  ancestor)  

временной  и/или  географический  анализ  клонов  

Yates  &  Campbell,  2012  

+  environment  

genemcs  +  cell  of  origin  +  environment  =  cancer  evolumon  

Методы  анализа  

Single-­‐cell  sequencing:    -­‐  лимитированное  количество  

клеток  в  биопсии  (вариант  –  ксенографт  в  мыши)  

-­‐  полногеномная  амплификация  генома  каждой  клетки  -­‐  >  биасы  

-­‐  неравномерное  покрытие  -­‐  allele  dropout  (8-­‐40%)  -­‐  мат  модели,  использующиеся  для  

нахождения  эволюционных  связей  между  организмами    

мат  модели,  использующиеся  для  нахождения  эволюционных  связей  между  организмами  (parsimony,  maximum  likelihood,  Markov  chain  Monte  Carlo  and  Bayesian  interference)  

Смешанные  популяции:  -­‐  случайный  набор  молекул  

ДНК  -­‐  обнаружение  

(распределение)  мутаций  зависит  от  покрытия  и  частот  аллелей  

-­‐  специально  разработанные  алгоритмы    

специально  разработанные  алгоритмы  (mutamonal  clustering,  using  kernel  density  analysis  and  Bayesian  Dirichlet  process  modeling,  digital  karyotyping  and  phasing  adjacent  somamc  mutamon  (pairs)  and  germline  variants)      

много  гетерогенных  сэмплов  разных  популяций  одной  

опухоли  

Yates  &  Campbell,  2012  

Whole-­‐genome  sequencing  data  

Yates  &  Campbell,  2012  

convergent  evolumon  

(обычно  –  2-­‐20  мутаций)  

Сложности  

Сложности  •  большинство  раков  ассоциированы  с  множеством  генов,  которые  мутируют  с  низкой  частотой  

•  гетерогенность  мутаций  в  определенном  гене  

•  только  10  генов  (из  тысяч),  связанных  с  раком  яичника  встречаются  менее  чем  в  10%  случаев  (только  TP53  >  10%)  

Сложности  •  НО  они  обычно  кластеризуются  и  показывают  нарушения  

определенных  клеточных  процессов  (сигнальных  сетей)    •  -­‐>  имеет  смысл  использовать  транскриптомные  данные  

для  подтверждения  геномных  

Сложности  +  copy  number  alteramons,  DNA  methylamon  

Сложности  •  часто  –  эпистатические  взаимодействия  генов  (со-­‐

появление  мутаций  в  парах  генов,  “онкоген-­‐индуцированное  старение”  как  естественная  защита  клетки  на  одиночную  мутацию  в  онкогене,  конвергентная  эволюция  между  разными  клонами)  

Сложности  •  ограниченное  количество  фенотипов  •  пластичность  клеток  опухоли  (переход  из  NSCLC  в  SCLC  

после  лечения,  с  сохранением  специфических  мутаций)  

Варианты  решения  

•  борьба  с  гетерогенностью  опухолей  (механическая,  маркеры)  

•  новые,  более  точные  алгоритмы  обработки  •  улучшение  технологий  single-­‐cell  sequencing  •  алгоритмы  совместной  обработки                                «-­‐омных»  данных  

•  Genemcally  engineered  mouse  models  (GEMMs)  

ЭСК  

биология  развития  TF   iPSCs  

регенеративная    медицина  

редактирование    генома  

наследственные    заболевания  рак  

эволюция  

GEMMs  

Гомологичная  рекомбинация  в  ЭСК  

exon1 exon2 exon3 ген  

exon1 exon3

exon1 exon2 exon3

exon1 exon3

/очередная/  Нобелевская  премия  (2007)  

ФЕНОТИП  

ГЕНОТИП  

ФАРМАКОЛОГИЯ  

Kwon  and  Berns,  2013  

-­‐  быстрое  получение  трансгенных  мышей  с  использованием  ЭСК-­‐технологий  

-­‐  отсутствие  “генетического  шума”  (клональность)  

-­‐  интактные  in  vivo  условия  -­‐  тестирование  лекарств  -­‐  анализ  ВСЕЙ  опухоли  и  метастаз  на  разных  

временных  стадиях  -­‐  индуцированные  точечные  мутации  

(CRISPR-­‐Cre,  TALEN),  регуляция  экспрессии  генов  (малые  молекулы,  РНК-­‐интерференция)  

-­‐  отличие  driver  и  passenger  мутаций  -­‐  маркировка  всей  опухоли  или  ее  частей  

(флуоресцентные/биолюминесцентные  репортеры)  

-­‐  контроль  за  cell-­‐of-­‐origin  (специфичные  промоторы)  

-­‐  контролируемые  волны  спонтанного  мутагенеза  (транспозоны)  

Huijbers  et  al.,  2011,  2014  

Huijbers  et  al.,  2014  

Положительный  пример:  Mycl1  и  Pten  в  эволюции  SCLC  

global  DNA  copy  alteratons  

significantly  mutated  genes  in  all  tumors  

(Trp53-­‐/Rb1-­‐  SCLC  GEMM)    

 McFadden  et  al.,  2014  

Future  of  cancer  biology  

Kool  et  al.,  2009  

Инсерционный  мутагенез  с  использованием  ДНК  транспозонов  (common  insermon  sites  analysis)  

Kool  et  al.,  2009  

Future  of  cancer  bioinformamcs  

Ding  et  al.,  aug  2014  

7/23/2014 www.discoverymedicine.com/Donald-D-Rao/files/2013/03/discovery_medicine_no_81_john_nemunaitis_figure_2.jpg.jhtml?id=2|attachment_13

http://www.discoverymedicine.com/Donald-D-Rao/files/2013/03/discovery_medicine_no_81_john_nemunaitis_figure_2.jpg.jhtml?id=2|attachment_13 2/3

Figure 2. Genome Based Personalized Cancer Therapeutics, a Two Pronged Approach-The One Two Punch. Schematic illustration of

Rao  et  al.,  2013  

Future  of  cancer  research  

CRISPRs  (clustered  regularly  interspaced  short  palindromic  repeats)  

Protospacer  Adjacent  Momff  (PAM)  sequence  

Transcripmon  acmvator-­‐like  effector  nucleases  (TALENs)  =  TAL  effector  DNA  binding  domain  +    DNA  cleavage  domain  

Gaj  et  al.,  2013  

top related