Antecedentes: La inferencia precisa de variaciones en el número de copias (CNV) y diploideidad a partir de datos de secuenciación de ARN de células individuales es esencial para resolver la heterogeneidad tumoral e identificar células malignas, sin embargo, las herramientas existentes como CopyKat y SCEVAN están limitadas por tiempos de ejecución largos y una reducción en la precisión en conjuntos de datos grandes o heterogéneos. Resultados: Presentamos aquí InferPloidy, un método de inferencia de diploideidad de alta velocidad y robustez basado en InferCNV que combina el agrupamiento de células basado en grafos con modelización iterativa de mezcla gaussiana. En múltiples tipos de cáncer-cáncer de mama, cáncer de pulmón no pequeño célula, adenocarcinoma ductal pancreático y cáncer colorrectal-InferPloidy logró tiempos de ejecución hasta dos órdenes de magnitud más rápidos que las herramientas existentes, manteniendo una precisión superior en la clasificación.
Esta separación precisa de células tumorales aneuploidas permitió el descubrimiento de objetivos terapéuticos específicos de subtipo, incluyendo ERBB2, ESR1, EGFR y MET, así como marcadores recurrentes de superficieome como CD82, F11R, SLC2A1, TM9SF2, CXADR y PLPP2, varios de los cuales tienen relevancia preclínica o clínica. Conclusión: Estos resultados establecen a InferPloidy como una plataforma escalable para la identificación de células tumorales guiada por CNV y el descubrimiento de biomarcadores basados en superficieome, ofreciendo utilidad amplia para la oncología precisa y la investigación traslacional.
Inicia sesión o regístrate para acceder al texto completo
¡Aún no hay comentarios. Sé el primero en comentar!