Abstract 2354: Candidate non-coding driver mutations in super-enhancers and long-range chromatin interaction networks across 1,800 whole cancer genomes
Notice bibliographique
Résumé
Abstract A comprehensive understanding of the mutations that drive tumorigenesis and disease progression is essential to understanding tumor biology and designing precision therapies. The landscape of driver mutations in the protein-coding genome has been well-characterized by large exome-sequencing studies. Surprisingly, many tumors do not have mutations in any known protein-coding driver. Non-coding driver mutations are hypothesized to explain many of these cases, but aside from a few regions, like the TERT promoter, our understanding of drivers in the complex regulatory genome remains limited. To fill this gap, we analyzed 150,000 cis-regulatory modules with clustered transcription factor binding sites in 1,844 whole cancer genomes from the ICGC-TCGA PCAWG project. Using a new statistical method, ActiveDriverWGS, we identified dozens of frequently mutated regulatory elements (FMREs) enriched in non-coding SNVs and indels (FDR<0.05) with many structural rearrangements and focal copy number alterations in additional samples. The FMREs were enriched in super-enhancers, long-range chromatin interactions and H3K27ac marks derived from primary tumors, suggesting a gene regulatory role of these mutations through three-dimensional genome organization. The interaction network of chromatin loops and FMREs revealed putative target genes located dozens to hundreds of kilobases away from the mutated regulatory elements. We found known and putative oncogenes and tumor suppressors whose expression significantly correlated with mutations in FMREs, suggesting novel oncogenic mechanisms. Most of the FMREs were also confirmed by additional driver discovery methods, lending confidence to our statistical approach. We also validated ActiveDriverWGS on protein-coding sequence and accurately recovered known driver genes. The non-coding regulatory genome is characterized by diverse mutational processes, regional hypermutations and technically challenging areas with suboptimal sequencing coverage. Thus our findings, most of which are reported for the first time, should be carefully vetted and experimentally validated in future studies. Our integrative analysis of somatic mutations, cis-regulatory regions and long-range chromatin interaction networks is a novel framework for cancer discovery and reveals the currently largest set of potential non-coding drivers in a pan-cancer cohort. Citation Format: Juri Reimand. Candidate non-coding driver mutations in super-enhancers and long-range chromatin interaction networks across 1,800 whole cancer genomes [abstract]. In: Proceedings of the American Association for Cancer Research Annual Meeting 2018; 2018 Apr 14-18; Chicago, IL. Philadelphia (PA): AACR; Cancer Res 2018;78(13 Suppl):Abstract nr 2354.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».