Non-coding mutations reveal cancer driver cistromes in luminal breast cancer
Notice bibliographique
Résumé
Abstract Whole genome sequencing of primary breast tumors enabled the identification of cancer driver genes 1,2 and non-coding cancer driver plexuses from somatic mutations 3–6 . However, differentiating driver and passenger events among non-coding genetic variants remains a challenge to understand the etiology of cancer and inform delivery of personalized cancer medicine. Herein, we reveal an enrichment of non-coding mutations in cis-regulatory elements that cover a subset of transcription factors linked to tumor progression in luminal breast cancers. Using a cohort of 26 primary luminal ER+PR+ breast tumors, we compiled a catalogue of ∼100,000 unique cis-regulatory elements from ATAC-seq data. Integrating this catalogue with somatic mutations from 350 publicly available breast tumor whole genomes, we identified four recurrently mutated individual cis-regulatory elements. By then partitioning the non-coding genome into cistromes, defined as the sum of binding sites for a transcription factor, we uncovered cancer driver cistromes for ten transcription factors in luminal breast cancer, namely CTCF, ELF1, ESR1, FOSL2, FOXA1, FOXM1 GATA3, JUND, TFAP2A, and TFAP2C in luminal breast cancer. Nine of these ten transcription factors were shown to be essential for growth in breast cancer, with four exclusive to the luminal subtype. Collectively, we present a strategy to find cancer driver cistromes relying on quantifying the enrichment of non-coding mutations over cis-regulatory elements concatenated into a functional unit drawn from an accessible chromatin catalogue derived from primary cancer tissues.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».