从肿瘤细胞中生长出来并在实验室条件下培养的癌细胞系是癌症研究的支柱。它们为癌症基因组学和生物学提供了宝贵的见解，但由于一些原因，科学家们往往难以将基于癌细胞系的实验数据与其互补肿瘤的数据进行比较，也难以选择最佳的癌细胞系来模拟特定的肿瘤类型。

为了帮助指导这些选择，美国布罗德研究所癌症依赖性图谱（Cancer Dependency Map, DepMap）团队的Allison Warren、Aviad Tsherniak、James McFarland和其他成员在一项新的研究中开发了Celligner，这是一个计算工具，可以帮助根据基因表达谱数据匹配肿瘤和癌细胞系。相关研究结果于2021年1月4日发表在Nature Communications期刊上，论文标题为“Global computational alignment of tumor and cell line transcriptional profiles”。

图片来自Nature Communications, 2021, doi:10.1038/s41467-020-20294-x。

鉴于癌细胞系是在实验室中生长的，通常长达数十年，它们并不能完全反映它们应该模拟的肿瘤。例如，癌细胞系可以表达患者肿瘤中未见的基因或含有患者肿瘤中未见的突变，从而改变它们对抗癌药物的反应。与此同时，肿瘤是由多种细胞类型组成的复杂混合物，而癌细胞系一般只由一种细胞组成。

Cellinger通过比较和比对患者肿瘤和癌细胞系的RNA测序数据（揭示了在某一时间点细胞中哪些基因是活跃的）来校正这些差异。通过使用Celligner将来自12000多个患者肿瘤的RNA测序数据与癌症细胞系百科全书（Cancer Cell Line Encyclopedia）、癌症基因组图谱（Cancer Genome Atlas）、TARGET和其他项目收集的1200多个细胞系进行比较，这些研究人员能够：（1）测量特定的癌细胞系在多大程度上模拟它们所代表的肿瘤，突出显示特别强和特别弱的癌细胞系/肿瘤匹配；（2）找出最需要新的、更具代表性的癌细胞系或其他模型的肿瘤类型（如甲状腺癌和脑癌）；（3）揭示了一组具有独特表达特征的癌细胞系，这些特征可能代表了转移过程中的早期步骤。

布罗德研究所DepMap团队科学主任Jesse Boehm说，“这个领域的目标是拥有一组能反映所有人类肿瘤的癌症模型。如今，有了Celligner，我们可以开始衡量我们的进展，并集中新的努力来弥补差距，并改善我们对分子预测的解释，从而造福真正的患者。”

参考资料：

1.Allison Warren et al. Global computational alignment of tumor and cell line transcriptional profiles. Nature Communications, 2021, doi:10.1038/s41467-020-20294-x.

2.Using gene expression data to compare laboratory cancer models to real tumors
https://medicalxpress.com/news/2021-01-gene-laboratory-cancer-real-tumors.html