Nature封面：首卷癌细胞系百科全书

　　

生物通报道：癌症治疗的目的在于寻找合适的药物，用于合适病患的合适靶标上，但是要想研发出这样的“个性化”药物，首先还必须了解关于癌症，以及其对潜在治疗药物的敏感性，更详细的内容。

来自哈佛大学麻省理工Broad研究院，诺华生物医学研究所等处的研究人员发表了题为“The Cancer Cell Line Encyclopedia enables predictive modelling of anticancer drug sensitivity”的文章，公布了首个全新，可免费获取的，关于详细癌症基因组数据（包括对药物应答的预测）的公共资源，这一由学术产业共同完成的最新成果公布在3月29日Nature杂志上。

文章的通讯作者分别是Broad研究院，Dana-Farber癌症研究所的Levi A. Garraway副教授，以及诺华生物医学研究所的Robert Schlegel研究员。Garraway表示，“我们希望癌细胞系百科全书（Cancer Cell Line Encyclopedia，CCLE）能成为指导临床实验的临床前手册。”

另外一位作者，Broad研究院癌症项目主任Todd Golub进一步说道，“CCLE是一个公共资源，我们认为这将促进更多癌症研究团体获得新发现”，“我们已经进行了一些关键的首个步骤，目前存在的挑战就是需要极大拓展细胞系检测化合物的数量。”

CCLE（癌细胞系百科全书）

CCLE整合了来自大约1000个人类癌细胞系的基因表达，染色体拷贝数和大规模平行数据，以及24种抗癌药物在50%这些细胞系中的药理概况。这一项目规模大，因而能获得比以往更深入的遗传特征，以及药理诠释，在Nature同期杂志上，还有一篇由麻省总医院，和Sanger研究院完成的类似成果。

为了完成这一挑战，这一研究组成员以Broad研究院，Dana-Farber癌症研究所以及诺华研究院的遗传学，生物信息学，和药物筛选平台为基础，选取了1200个商业化的癌细胞系中，能反映人类癌症基因组多样性的947个，进行深入分析。

文章的第一作者之一，Broad研究院癌症项目组Nicolas Stransky说，“CCLE项目的优势之一在于其选择的细胞系数量”，“我们选取了罕见癌症亚型，而且具有足够的统计数据用于分析。”

癌症细胞系属于恶性细胞，能从肿瘤组织，或者实验室培养细胞中获得，在受控条件下，这些细胞能无限生长，但是如果细胞由于缺乏典型环境，出现与肿瘤的显著差异，那么这就会变成一个错误来源。然而这只是相对少数的个例，研究证明CCLE细胞系具有多种跨越不同癌症类型，初级肿瘤亚群的代表性遗传特征。

将这些癌细胞系中出现的五万个遗传和分子特征汇总起来，这对于计算生物学来说无疑是一个挑战，这些研究人员需要将运算规则运用于这些生物学数据，他们检测了针对预测癌症药物灵敏度遗传变化的研究工具，评估其系统分析方法，之后又将这一预测模型方法应用于对目前治疗方法构成挑战的癌症遗传亚群中。

比如说，大量癌症在NRAS基因中出现了突变，这一基因能激活肿瘤生长中的关键信号途径，一些NRAS突变癌症，包括一种黑色素瘤亚群，可能易于受到阻断MEK信号途径中一种蛋白的药物的攻击。CCLE就分析了与这种突变有关的大约40种癌细胞系，研究是否能预测对于MED抑制剂药物的敏感性，其中一些目前已经进入了临床实验。

下篇： 利用癌细胞系百科全书预测药物反应（免费）

原文摘要：

The Cancer Cell Line Encyclopedia enables predictive modelling of anticancer drug sensitivity

The systematic translation of cancer genomic data into knowledge of tumour biology and therapeutic possibilities remains challenging. Such efforts should be greatly aided by robust preclinical model systems that reflect the genomic diversity of human cancers and for which detailed genetic and pharmacological annotation is available1. Here we describe the Cancer Cell Line Encyclopedia (CCLE): a compilation of gene expression, chromosomal copy number and massively parallel sequencing data from 947 human cancer cell lines. When coupled with pharmacological profiles for 24 anticancer drugs across 479 of the cell lines, this collection allowed identification of genetic, lineage, and gene-expression-based predictors of drug sensitivity. In addition to known predictors, we found that plasma cell lineage correlated with sensitivity to IGF1 receptor inhibitors; AHR expression was associated with MEK inhibitor efficacy in NRAS-mutant lines; and SLFN11 expression predicted sensitivity to topoisomerase inhibitors. Together, our results indicate that large, annotated cell-line collections may help to enable preclinical stratification schemata for anticancer agents. The generation of genetic predictions of drug response in the preclinical setting and their incorporation into cancer clinical trial design could speed the emergence of ‘personalized’ therapeutic regimens2.