Cancer Genome Analysis 02-715 Advanced Topics in Computa8onal - - PowerPoint PPT Presentation

Cancer Genome Analysis

02-­‑715 ¡Advanced ¡Topics ¡in ¡Computa8onal ¡ Genomics ¡

Cancer Progression

Tumors

• Cancer ¡cells ¡

– Reproduce ¡in ¡defiance ¡of ¡the ¡normal ¡restraints ¡on ¡cell ¡growth ¡and ¡ division ¡ – Invade ¡and ¡colonize ¡territories ¡normally ¡reserved ¡for ¡other ¡cells ¡

• Types ¡of ¡cancers ¡

– Carcinomas: ¡cancers ¡arising ¡from ¡epithelial ¡cells ¡ – Sarcomas: ¡cancers ¡arising ¡from ¡connec8ve ¡8ssue ¡or ¡muscle ¡cells ¡ – Leukemias ¡and ¡lymphomas: ¡cancers ¡derived ¡from ¡white ¡blood ¡cells ¡ and ¡their ¡precursors ¡

Development of Cancer Cells

• Agents ¡that ¡trigger ¡carcinogenesis ¡

– Chemical ¡carcinogens ¡(causes ¡local ¡DNA ¡altera8ons) ¡ – Radia8on ¡such ¡as ¡x-­‑rays ¡(causes ¡chromosome ¡breaks ¡and ¡ transloca8ons), ¡UV ¡light ¡(causes ¡DNA ¡base ¡altera8ons) ¡ – Viruses: ¡Hepa88s-­‑B, ¡Hepa88s-­‑C ¡virus ¡for ¡liver ¡cancer ¡

Carcinogenesis

• Stages ¡of ¡progression ¡in ¡the ¡development ¡of ¡cancer ¡of ¡the ¡

epithelium ¡of ¡the ¡uterine ¡cervix. ¡

Metastasis

Pathways of Tumorigenesis

Cancer-Causing Genes

• Oncogenes ¡

– Muta8ons ¡that ¡confer ¡gain ¡of ¡func8ons ¡to ¡oncogenes ¡can ¡promote ¡ cancer ¡ – Muta8ons ¡with ¡growth-­‑promo8ng ¡effects ¡on ¡the ¡cell ¡ – OXen ¡heterozygous ¡

• Tumor ¡suppressor ¡genes ¡

– Muta8ons ¡that ¡confer ¡loss ¡of ¡func8on ¡can ¡contribute ¡to ¡cancer ¡ – Typically ¡homozygous ¡

• DNA ¡maintenance ¡genes ¡

– Indirect ¡effects ¡on ¡cancer ¡development ¡by ¡not ¡repairing ¡DNA ¡or ¡ correc8ng ¡muta8ons ¡

Mutations in Tumor Suppressor Genes

Mutations in Oncogenes

Replication of DNA Damages

Driver and Passenger Mutations

• Driver ¡muta8ons ¡

– Causally ¡implicated ¡in ¡oncogenesis ¡ – Gives ¡growth ¡advantage ¡to ¡cancer ¡cells ¡ ¡ – posi8vely ¡selected ¡in ¡the ¡microenvironment ¡of ¡the ¡8ssue ¡ – E.g., ¡muta8ons ¡that ¡de-­‑ac8vate ¡tumor ¡suppressor ¡genes ¡

• Passenger ¡muta8ons ¡

– Soma8c ¡muta8ons ¡with ¡no ¡func8onal ¡consequences ¡ – Does ¡not ¡give ¡growth ¡advantage ¡to ¡cancer ¡cells ¡

Identifying Driver Mutations

• Typically ¡involves ¡sequencing ¡tumor ¡DNA ¡and ¡the ¡matched ¡

normal ¡DNA ¡

• Comparison ¡with ¡reference ¡genome ¡and ¡other ¡known ¡DNA ¡

polymorphisms ¡to ¡filter ¡out ¡benign ¡muta8ons ¡

• Signatures ¡of ¡driver ¡muta8ons ¡

– Frequently ¡observed ¡muta8ons ¡across ¡tumors ¡are ¡likely ¡to ¡be ¡driver ¡

• muta8ons. ¡But, ¡what ¡about ¡tumor ¡heterogeneity? ¡

– Muta8ons ¡that ¡cluster ¡in ¡subset ¡of ¡genes ¡(e.g., ¡oncogenes). ¡Passenger ¡ muta8ons ¡are ¡more ¡randomly ¡distributed ¡across ¡genomes ¡

Challenges

• Soma8c ¡muta8ons ¡in ¡both ¡genomes ¡(SNP, ¡CNVs, ¡indels, ¡

chromosomal ¡rearrangement ¡etc.) ¡and ¡epigenomes ¡can ¡be ¡ posi8vely ¡selected ¡(drivers) ¡

• Different ¡cancer ¡types ¡have ¡different ¡rates ¡of ¡muta8ons. ¡

Mutator ¡phenotype ¡may ¡or ¡may ¡not ¡be ¡present. ¡

• Infrequently ¡occurring ¡ ¡driver ¡muta8ons ¡are ¡hard ¡to ¡iden8fy. ¡

Challenges

• Computa8onal ¡challenges ¡unique ¡to ¡cancer ¡genome ¡analysis ¡

– Sequence ¡alignment ¡and ¡assembly ¡can ¡be ¡significantly ¡more ¡ challenging ¡because ¡of ¡highly ¡rearranged ¡chromosomes ¡and ¡high ¡ varia8on ¡across ¡cancer ¡genomes ¡ – Soma8c ¡muta8on ¡calling ¡is ¡more ¡challenging ¡ ¡

• the ¡impurity ¡of ¡the ¡sample ¡ ¡

– Normal ¡genomes ¡have ¡allele ¡copies ¡of ¡0, ¡1, ¡or ¡2 ¡ – Cancer ¡genomes ¡can ¡have ¡allele ¡copies ¡of ¡frac8ons ¡of ¡0, ¡1, ¡or ¡2 ¡

• Most ¡soma8c ¡muta8ons ¡are ¡rare ¡

Breast Cancer Genomes and Subtypes

Comprehensive ¡molecular ¡portraits ¡of ¡human ¡breast ¡

• tumours. ¡Nature ¡490, ¡61–70. ¡2012. ¡

Sorting Intolerant to From Tolerant (SIFT)

• A ¡tool ¡that ¡uses ¡sequence ¡homology ¡to ¡predict ¡whether ¡an ¡amino ¡

acid ¡subs8tu8on ¡affects ¡protein ¡func8on ¡

• Assuming ¡that ¡important ¡amino ¡acids ¡are ¡conserved ¡in ¡the ¡protein ¡

family, ¡changes ¡at ¡well-­‑conserved ¡posi8ons ¡tend ¡to ¡be ¡predicted ¡as ¡

• deleterious. ¡ ¡
• Given ¡a ¡protein ¡sequence, ¡ ¡

– choose ¡related ¡proteins ¡ ¡ – obtains ¡an ¡alignment ¡of ¡these ¡proteins ¡with ¡the ¡query ¡ – Based ¡on ¡the ¡amino ¡acids ¡appearing ¡at ¡each ¡posi8on ¡in ¡the ¡alignment, ¡ calculate ¡the ¡probability ¡that ¡an ¡amino ¡acid ¡at ¡a ¡posi8on ¡is ¡tolerated ¡ condi8onal ¡on ¡the ¡most ¡frequent ¡amino ¡acid ¡being ¡tolerated. ¡ ¡

• Classifies ¡a ¡subs8tu8on ¡into ¡tolerated ¡or ¡deleterious ¡ones ¡

SIFT: ¡predic8ng ¡amino ¡acid ¡changes ¡that ¡affect ¡protein ¡func8on. ¡ ¡

• Nucl. ¡Acids ¡Res. ¡(2003) ¡31 ¡(13): ¡3812-­‑3814. ¡

PolyPhen

• SoXware ¡for ¡predic8ng ¡damaging ¡effects ¡of ¡missense ¡muta8ons. ¡

– Predic8on ¡based ¡on ¡ ¡

• Eight ¡sequence ¡based ¡features ¡
• Three ¡structure-­‑based ¡features ¡

– Naïve-­‑Bayes ¡classifier ¡ – Train ¡dataset ¡1 ¡

• Posi8ve ¡examples: ¡3,155 ¡damaging ¡alleles ¡annotated ¡in ¡the ¡UniProt ¡

database ¡as ¡causing ¡human ¡Mendelian ¡diseases ¡and ¡affec8ng ¡protein ¡ stability ¡or ¡func8on ¡

• Nega8ve ¡examples: ¡6,321 ¡differences ¡between ¡human ¡proteins ¡and ¡

their ¡closely ¡related ¡mammalian ¡homologs ¡ – Train ¡dataset ¡2 ¡

• Posi8ve ¡examples: ¡13,032 ¡human ¡disease-­‑causing ¡muta8ons ¡from ¡

UniProt ¡ ¡

• Nega8ve ¡examples: ¡8,946 ¡human ¡nonsynonymous ¡SNPs ¡without ¡

annotated ¡involvement ¡in ¡disease. ¡

A ¡method ¡and ¡server ¡for ¡predic8ng ¡damaging ¡missense ¡

• muta8ons. ¡Nature ¡Methods ¡7, ¡248 ¡-­‑ ¡249 ¡(2010) ¡

PolyPhen Features

• Black: ¡candidates, ¡blue: ¡selected ¡

PolyPhen

• predic8ng ¡cancer ¡driver/passenger ¡muta8ons ¡with ¡PolyPhen ¡

Summary

• Understanding ¡the ¡gene8cs ¡of ¡cancer ¡

– Both ¡germline ¡polymorphisms ¡and ¡soma8c ¡muta8ons ¡can ¡contribute ¡ to ¡trigger ¡tumorigenesis ¡ – Determine ¡driver ¡and ¡passenger ¡muta8ons ¡

• OXen ¡frequently ¡occurring ¡muta8ons ¡are ¡declared ¡as ¡driver ¡

muta8ons ¡

• SIFT ¡and ¡PolyPhen ¡for ¡evalua8ng ¡the ¡func8onal ¡effects ¡of ¡

muta8ons ¡