癌症作为全球健康危机持续导致每年数百万人死亡，预计到2040年全球癌症病例将增加47%。面对转移、耐药和复发等挑战，深入了解癌症的进化本质成为解决这些问题的关键。系统发育学作为一种分析工具，被广泛用于研究肿瘤的进化关系，为制定个性化治疗方案提供了重要的思路。本篇综述意在全面介绍肿瘤系统发育学的工作流程及其在癌症研究中的应用，并强调了整合外部数据对于增强分析的解释性和适用性的重要作用。
自Peter Nowell于1976年引入克隆进化模型以来，肿瘤系统发育学领域已经取得了显著进展。该模型及其后续理论加深了我们对肿瘤内异质性和进化动力学的理解。肿瘤进化由遗传和表观遗传突变驱动，导致肿瘤内部形成复杂且不断演变的亚克隆，增加了治疗的复杂性。然而，这种异质性也为追踪肿瘤进化历史，理解肿瘤的进化动力学提供了独特机会，从而有助于制定更精确的个性化治疗策略并进行预后评估。因此，肿瘤系统发育学这一领域应运而生，它借助了物种进化的理论框架，通过深入分析遗传变异来构建系统发育树，从而为深入研究肿瘤的进化过程和进展提供了一种创新性的视角和方法。
肿瘤系统发育学的研究起始于两个核心步骤：选择适当的研究设计和收集必需的数据。在肿瘤系统发育学中，重建系统发育树的工作流程首先需要选择合适的研究设计并获取所需数据。研究者通常采用四种研究设计方法：横断面研究、区域批量测序、单细胞测序和谱系追踪，每种设计都具有其独特的优点和局限性（图1）。
横断面肿瘤系统发育学：通过分析不同患者肿瘤样本中的典型突变序列或肿瘤进化路径，揭示了肿瘤样本之间的进化关系，帮助识别标准的肿瘤进化轨迹。
区域批量肿瘤系统发育学：通过对单一患者内的多个肿瘤区域或多个肿瘤位点进行采样和分析，提供了肿瘤景观的全面视图，揭示了采样区域之间的关系。
单细胞肿瘤系统发育学：通过单个肿瘤细胞的测序，提供了对肿瘤遗传多样性的详细视图，从而揭示克隆演化过程。
谱系追踪肿瘤系统发育学：利用标记技术追踪肿瘤细胞的谱系发展，以了解肿瘤内部的克隆动态和进化轨迹。
此外，用于进行肿瘤系统发育学研究的数据类型也是多种多样的。包括但不限于基因组数据（如单核苷酸变异SNVs和拷贝数变异CNVs）、转录组数据和表观组数据。同时，也有不少研究整合了这些数据，进行多组学肿瘤系统发育学研究。
尽管各种研究设计以及数据类型在揭示肿瘤的遗传异质性、进化历程和分类方面各有侧重，但它们共同构成了肿瘤系统发育学研究的基础，为肿瘤的进化动力学、治疗抵抗机制及新疗法的开发提供了重要思路。
在肿瘤系统发育学研究中，数据获取和处理后的下一步挑战是如何有效利用这些数据来重建系统发育树。系统发育树的重建方法主要分为两类：基于距离的方法和基于特征的方法。基于距离的方法，如UPGMA、邻接法（NJ）和最小进化法，通过估算物种或序列之间的相似度或遗传距离来操作，尽管在创建距离矩阵过程中可能会丢失信息，但其计算效率和简便性使其适合处理大型数据集。相反，基于特征的方法，如最大简约法（MP）、最大似然法（ML）和贝叶斯马尔可夫链蒙特卡洛（BMCMC），则考虑到生物体的独特属性或特征来阐释它们的进化关系，这些方法直接使用序列数据作为每个样本的独特属性，提供了一种更精细的分析途径。
在肿瘤系统发育学中，传统的进化生物学工具，如PHYLIP以及Beast等工具在系统发育学中也有使用。横断面肿瘤系统发育学最初依赖基于MP法进行重建，但由于MP在捕获肿瘤进化复杂性方面的局限，近期的方法转向基于ML和BMCMC算法的优化技术。在区域批量肿瘤系统发育学中，算法和数据类型的发展轨迹与跨断面研究相似，但由于批量测序在精确标定亚克隆方面的局限性，许多软件解决方案转向将解卷积技术与系统发育框架整合。单细胞肿瘤系统发育学中，由于scRNAseq数据固有的技术伪像、假阳性和假阴性问题，传统方法难以发挥作用，新开发的方法通过将这些不确定性直接纳入似然计算来应对这些挑战。在谱系追踪肿瘤系统发育学中，针对条形码位点数据的独特挑战，传统算法处理不佳，这导致了针对谱系追踪数据定制方法的开发需求。
在肿瘤系统发育学的探索中，重建肿瘤系统发育树可以给我们带来有关于肿瘤进化路径、异质性和分类的关键见解。
肿瘤系统发育学能够追溯癌症的进化路径，为早期研究提供宝贵意见，包括识别肿瘤进化的不同模式和确定关键进化事件的发生时间。这可以揭示肿瘤进化动力学，为理解肿瘤的起源、进展模式和潜在的未来行为提供重要信息，从而为治疗策略的制定和新的治疗目标的确立提供指导（图2）。
追溯肿瘤进化路径的一个关键应用是帮助研究人员解析治疗抗性的形成，肿瘤系统发育学提供了肿瘤进化的动态视角，使研究人员能够深入分析肿瘤的内部克隆多样性和进化历史，精确地识别治疗抗性出现的时间和原因。
此外，肿瘤系统发育学作为分析肿瘤内部异质性的有力工具，有助于构建更完整的肿瘤内部景观画面。它不仅能探究肿瘤内亚克隆的结构和频率变化，还能通过展示亚克隆特异性的突变和表型差异，进一步丰富我们对肿瘤异质性的认识，为改善患者预后和开发更有效的治疗方法提供可能。
肿瘤系统发育学的另一重要应用是作为聚类工具，用于肿瘤亚型的预测和分类。它通过基于突变或表达谱将肿瘤分为不同亚型，提供了传统聚类方法无法达到的精确度和深度。这种精确的分类方法对于针对性治疗的选择和预后评估至关重要，因为不同的肿瘤亚型可能对治疗反应各异。
要深入阐释复杂的生物现象，往往需要将外部数据融入系统发育树中。通过这种数据整合，不仅可以增强对树状图解读的深度，揭示更深层次的肿瘤进化机制，而且还能为外部数据提供一个进化的上下文，开启在进化框架内解释数据的新视角。
然而，目前将外部数据与系统发育树结合的实践仍然处于初级阶段。面对数据格式多样性、外部数据的异质性以及整合数据后的可视化挑战，研究者们正在探索有效的整合途径。在这一过程中，我们主要采取两种方法来增强外部数据与肿瘤系统发育树的整合展示（图3）：
第一种方法涉及将外部数据直接映射到系统发育树的结构上，通过在树上添加象征性的点或标签来注解，从而帮助发现特定的进化事件或重要的亚克隆。这种直观的视觉特征能够在肿瘤系统发育学的背景下，提供宝贵的信息，突出显示进化历程中的关键节点。
第二种方法则是通过将额外的图层，如突变剖面或亚克隆特征图，与系统发育树的结构对齐以并行展示。这种方法特别适合于突出显示特定亚克隆共享的突变或遗传变异的一致性，为肿瘤进化研究提供了一个凸显并发事件或模式的有效途径。
越来越多的研究者正在利用肿瘤异质性的多组学特性，通过整合基因组、转录组和表观组学数据进行综合性的系统发育分析。随着技术的进步，如空间转录组学等尖端技术也被用于探索肿瘤进化的空间维度，标志着该领域的重大进展。同时，机器学习方法在肿瘤系统发育树拓扑推断中的应用为肿瘤系统发育重建提供了新的视角。肿瘤系统发育学的进步也为我们提供了越来越度和多模态的数据，增强了我们对肿瘤的理解；通过与这些复杂的数据集进行整合，肿瘤系统发育学有望对癌症研究和患者预后产生变革性的影响。
京ICP备14028625号-92
