Live-Cell Imaging Shows Uneven Segregation of Extrachromosomal DNA Elements and Transcriptionally Active Extrachromosomal DNA Hubs in Cancer
Notice bibliographique
Résumé
Abstract Oncogenic extrachromosomal DNA elements (ecDNA) play an important role in tumor evolution, but our understanding of ecDNA biology is limited. We determined the distribution of single-cell ecDNA copy number across patient tissues and cell line models and observed how cell-to-cell ecDNA frequency varies greatly. The exceptional intratumoral heterogeneity of ecDNA suggested ecDNA-specific replication and propagation mechanisms. To evaluate the transfer of ecDNA genetic material from parental to offspring cells during mitosis, we established the CRISPR-based ecTag method. ecTag leverages ecDNA-specific breakpoint sequences to tag ecDNA with fluorescent markers in living cells. Applying ecTag during mitosis revealed disjointed ecDNA inheritance patterns, enabling rapid ecDNA accumulation in individual cells. After mitosis, ecDNAs clustered into ecDNA hubs, and ecDNA hubs colocalized with RNA polymerase II, promoting transcription of cargo oncogenes. Our observations provide direct evidence for uneven segregation of ecDNA and shed new light on mechanisms through which ecDNAs contribute to oncogenesis. Significance: ecDNAs are vehicles for oncogene amplification. The circular nature of ecDNA affords unique properties, such as mobility and ecDNA-specific replication and segregation behavior. We uncovered fundamental ecDNA properties by tracking ecDNAs in live cells, highlighting uneven and random segregation and ecDNA hubs that drive cargo gene transcription. See related commentary by Henssen, p. 293. This article is highlighted in the In This Issue feature, p. 275
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».