应用深度卷积神经网络算法预测癌症基因组水平的“合成致死”基因网络

Cancer is a highly heterogeneous disease, that is, different cancers show different genomic profiles and biomarkers while discrepancies in patients’ genomes can also result in different progressions of the same cancer. Therefore, “precision therapy plan” emerges at the right moment which includes data mining of patients’ genomes, integration of cancer multi-omics data and precise proposal of therapy. As an emerging precision therapy strategy for cancer, studies targeting a certain synthetic lethal gene have already gained outstanding achievements. However, synthetic lethal gene studies in a genomic level still stay in an exploration stage and the dependence on shRNA screens of existing prediction methods largely limits applications of these methods. Thus we design the project to introduce abundant validated synthetic lethal gene information and integrate genomic mutations, copy number variants and RNA-seq expression data of each cancer in TCGA, apply a deep convolution neural network algorithm to build a model for predictions of specific synthetic lethal gene networks with consequent experiment validations. Moreover, we will reappraise synthetic lethal genes which already serve as drug targets, interpreting potential drug resistance and side effects based on cross talks they engaged in networks. Then, we also will propose novel strategies of drug combinations as potential therapies.

癌症是一种高异质性的疾病，其表现为，不同种类的癌症具有不同的基因组图谱和标志物，不同的病人亦可由于个体基因组上的差异而令同一种癌症展现出不同的发生发展进程。因此，挖掘病人基因组特性，整合癌症多组学大数据，精确寻找治疗方案的“精准医学计划”应运而生。作为一种新兴的癌症精准治疗策略，靶向单个“合成致死”基因的研究已取得令人瞩目的成果。但基因组水平的“合成致死”基因研究尚处于探索阶段，且现有预测方法对shRNA筛选实验的依赖性大大局限了该类方法的应用。因此，本项目将基于大量已验证的“合成致死”基因信息，整合TCGA来源每种癌症的基因突变、拷贝数变化和基因表达数据，应用深卷积神经网络算法建立模型，预测癌症特异性的“合成致死”基因网络并加以实验验证。此外，本项目还将对已成为药物靶标的“合成致死”基因进行再评估，从生物网络“交叉对话”的角度探讨其可能存在的抗药性及不良反应，或提出新的“组合用药”方案。

整合癌症多组学大数据，寻找肿瘤“精准医疗”方案是目前肿瘤治疗领域的前沿和重点研究方向。作为一种新兴的肿瘤“精准医疗”策略，靶向单个“合成致死”基因的研究已取得一些成果，但基因组水平的“合成致死”基因网络研究尚处于探索阶段。本项目基于大量“合成致死”基因先验信息，对TCGA来源的肿瘤基因突变、拷贝数变化和基因表达数据进行整合，分别应用互斥性统计学算法、机器学习模型和深卷积神经网络模型进行预测，获得了25种肿瘤来源的“合成致死”基因网络。随后，本项目选取了MAPK1-EP300和PARP1-PPP1CA基因作用对在肝癌和乳腺癌细胞系中进行了实验验证。其中，MAPK1-EP300可出现在乳腺癌和肝癌来源的“合成致死”网络中，而PARP1-PPP1CA仅出现在乳腺癌来源的“合成致死”网络中。结果表明，MAPK1-EP300在乳腺癌和肝癌肿瘤细胞中均可诱导产生“合成致死”，而PARP1-PPP1CA仅在乳腺癌细胞中导致“合成致死”。且MAPK1蛋白表达水平较高的多种肝癌细胞系和乳腺癌细胞系均对EP300抑制剂更敏感。而在EP300抑制剂耐药的肝癌细胞系中过表达MAPK1，可使细胞系恢复对EP300抑制剂的敏感性。此外，申请人将肝癌中预测得到的“合成致死”基因网络与具有BET抑制剂应答差异的肝癌细胞系转录组数据进行匹配，发现BET抑制与WNT通路活化之间存在广义的“合成致死”作用。即，WNT通路活化水平较高的肝癌细胞系对BET抑制剂较为敏感，而在BET抑制剂耐药株中重新活化WNT通路可使细胞系恢复对BET抑制剂的敏感性。因此，申请人提出了BET抑制剂和GSK3β抑制剂联合用药的策略，并在多种肝癌细胞系和小鼠xenograft模型中验证有效。至此，本项目的研究结果为肝癌的“精准医疗”贡献了全新的治疗策略，并有望指导EP300抑制剂和BET抑制剂的临床应用。