SPRINTER是一种从单细胞基因组学数据推断增殖率的新方法，揭示了肿瘤的进化
在本研究中，研究人员采用SPRINTER算法在单细胞水平上研究癌细胞的增殖。该研究还结合了先进的测序技术来探索基因突变、细胞周期动力学和癌症进化之间的相互作用，为转移潜力提供了见解。
SPRINTER利用单细胞全基因组测序数据将肿瘤细胞划分为不同的细胞周期阶段，如s期和g2期，并将其分配给特定的基因克隆。该方法涉及若干方法创新，以克服现有技术的局限性。
该研究依赖于单细胞脱氧核糖核酸（DNA）测序（scDNA-seq）数据，并专注于复制时间，这是特定基因组区域在细胞周期中何时复制的指标。SPRINTER使用一种专门的方法来调整由DNA复制引起的错误，使其能够准确地测量细胞活动。它检查复制早或晚的DNA部分，并利用这些信息来分类和分配活跃（s期）细胞。
研究人员解释说，这一过程包括6个步骤：确定复制模式、分析DNA结构的变化、发现活性细胞、将相似的细胞分组成克隆、校正复制效应后将细胞与克隆进行匹配、确定其他活性细胞（G2期）。这有助于绘制出不同类型癌细胞的生长速度。
该研究的重点是非小细胞肺癌，并通过将SPRINTER的结果与其他测试（如成像和Ki-67染色）进行比较，证实了SPRINTER的准确性。SPRINTER还在乳腺癌和卵巢癌上进行了测试，以确定它是否能在不同的癌症上表现良好。该研究结合了统计分析和进化图谱来探索细胞生长、遗传变化和转移能力之间的联系。
研究发现肿瘤克隆之间的肿瘤增殖率差异显著，SPRINTER发现高增殖的克隆具有更大的转移潜力。这些发现在非小细胞肺癌数据集中的原发性和转移性肿瘤样本中是一致的。该算法还显示，高增殖克隆倾向于脱落更多的循环肿瘤DNA (ctDNA)，这是与癌症进展相关的标志。
此外，SPRINTER解决肿瘤内增殖异质性的能力表明，原发和转移部位的不同克隆具有独特的生长模式。例如，与其他克隆相比，与转移相关的克隆通常具有更高的增殖率。这种异质性在批量估计方法中被忽视，强调了SPRINTER在区分增殖行为方面的准确性。
在乳腺癌和卵巢癌数据集中，SPRINTER证明高增殖克隆包含较高的基因组突变率，包括单核苷酸变异、结构变异和拷贝数改变。这些发现支持了快速细胞分裂有助于基因组变化积累的假设。
此外，SPRINTER还将复制时间的改变与基因表达的变化联系起来，特别是与增殖和转移有关的基因。这种改变在高增殖克隆中更为明显，表明非遗传因素与侵袭性癌症行为之间存在机制联系。
总之，本研究表明肿瘤增殖具有高度异质性，受遗传和非遗传因素驱动。使用SPRINTER算法的详细分析显示，高增殖克隆对理解癌症转移和进展至关重要。
此外，该研究表明，这些克隆表现出独特的基因组改变和增加的ctDNA脱落，为临床应用提供了潜在的生物标志物。总的来说，该研究表明SPRINTER为研究癌症进化提供了一个强大的框架，为基于克隆特异性增殖动力学的靶向治疗策略铺平了道路。
