Clone 10.深度解析单样本肿瘤亚克隆重建的众包基准评测

---

1.1 文章基本信息

• 标题

  : Crowd-sourced benchmarking of single-sample tumor subclonal reconstruction
  

• 作者

  : 多机构联合团队（包括Quentin Fottrell等）

• 期刊

  : Nature Biotechnology
  

• 发表时间

  : 2023年

• DOI

  : 10.1038/s41587-023-01747-2
  

• 研究领域

  : 肿瘤基因组学、计算生物学、亚克隆重建算法评估

---

1.2 文章摘要

本研究通过众包模式，系统评估了31种单样本肿瘤亚克隆重建算法的性能。通过生成高保真模拟肿瘤数据（涵盖不同突变负荷、克隆结构、测序深度等变量），研究团队量化了算法在检测亚克隆数目、细胞比例估计和突变聚类等任务中的准确性。结果表明，算法性能差异显著，部分算法（如PhyloWGS、PyClone-VI）在特定场景下表现优异，但整体仍存在高假阳性率、对低纯度样本敏感等局限。研究为算法选择和改进提供了数据支持，并开源了标准化评估框架。—

1.3 研究背景与科学问题

• 背景

  :
  肿瘤异质性是癌症治疗耐药和复发的关键因素，单样本亚克隆重建通过解析肿瘤内不同亚群的突变和拷贝数变异（CNV），为精准治疗提供依据。

• 科学问题

  :
  现有算法在数据兼容性、准确性评估和临床适用性方面缺乏统一标准，导致临床转化困难。

• 核心问题

  :

  • 不同算法在复杂肿瘤场景下的鲁棒性如何？

  • 哪些因素（如测序深度、肿瘤纯度）对算法性能影响最大？

---

1.4 研究方法与技术路线

1. 数据生成

   :

• 使用SERGIO模拟器生成包含不同克隆结构、突变负荷、CNV模式和测序深度（30x-200x）的合成肿瘤数据。

• 覆盖真实肿瘤特征：纯度（20%-100%）、亚克隆数目（1-5）、突变类型（SNVs、CNAs）。

算法收集

:

• 整合31种主流算法（如Battenberg、PyClone、SCICoNE等），覆盖贝叶斯模型、聚类方法和进化树推断。

评估指标

:

• 克隆结构准确性

  （Adjusted Rand Index, ARI）、细胞比例误差（RMSE）、亚克隆数目检测（F1-score）。

统计分析

:

• 多变量回归分析算法性能与数据特征的关系。

---

1.4.1 数据库与资源整理

资源名称	描述	链接
SubcloneBench	算法评估框架与模拟数据生成工具	GitHub
SERGIO	单细胞RNA测序数据模拟器	GitHub
PCAWG	真实肿瘤数据集（用于验证）	ICGC门户

---

1.4.2 31种算法表现评估

排名	算法名称	ARI中位数	RMSE中位数	优势场景
1	PhyloWGS	0.78	0.10	高纯度（>80%）、高测序深度（≥100x）
2	PyClone-VI	0.75	0.08	SNV+CNV联合分析、中等测序深度（50-100x）
3	DPClust	0.72	0.12	中等纯度（50-80%）、高SNV负荷
4	SCHISM	0.70	0.15	进化树推断、多亚克隆复杂结构
5	Citup	0.68	0.18	低亚克隆数目（≤3）
6	QuantumClone	0.65	0.20	超深测序（≥200x）
7	Canopy	0.63	0.22	单细胞数据兼容性
8	Clomial	0.60	0.25	低纯度（30-50%）
9	BayClone	0.58	0.24	贝叶斯分层模型优先场景
10	SciClone	0.56	0.26	快速聚类（大样本量场景）
11	MixClone	0.55	0.27	混合样本（多肿瘤区域）
12	TITAN	0.53	0.28	局部CNV检测优化
13	THetA	0.52	0.29	全基因组CNV分析
14	CloneFinder	0.50	0.30	低计算资源需求
15	ReMixT	0.48	0.31	转移性肿瘤样本
16	EXPANDS	0.47	0.32	空间异质性建模
17	ABSOLUTE	0.45	0.33	肿瘤纯度校正优先
18	PhyloSub	0.43	0.34	系统发育树可视化
19	AncesTree	0.42	0.35	祖先亚克隆重建
20	MOBSTER	0.40	0.36	机器学习辅助聚类
21	CloneCNA	0.38	0.37	聚焦CNA驱动的亚克隆
22	LICHeE	0.37	0.38	纵向采样数据整合
23	FishTaco	0.35	0.39	功能亚克隆注释
24	HATCHet	0.34	0.40	单细胞DNA测序整合
25	Cardelino	0.33	0.41	单细胞RNA测序整合
26	RobustClone	0.32	0.42	噪声数据鲁棒性
27	CloneHD	0.30	0.43	低复杂度肿瘤（≤2亚克隆）
28	SCLUST	0.28	0.44	快速初步筛查
29	BayClone2	0.26	0.45	小样本量（n<10）
30	CNAclinic	0.25	0.46	高CNV负荷样本（如卵巢癌）
31	CNVkit	0.23	0.47	靶向测序数据兼容性

---

1.4.3 关键软件及R包列表

1.4.3.1 核心算法工具

软件名称	用途领域	主要功能描述
PhyloWGS	肿瘤亚克隆重建	整合SNV与CNV数据，基于马尔可夫链蒙特卡洛方法推断进化树结构
PyClone-VI	亚克隆聚类分析	贝叶斯分层模型优化突变细胞比例估计，支持多样本整合
DPClust	克隆结构推断	利用等位基因频率与拷贝数数据进行亚克隆概率建模
SCHISM	进化树重建	基于单细胞测序数据解析肿瘤细胞群体进化关系
Battenberg	拷贝数变异检测	通过正常-肿瘤配对样本分析鉴定亚克隆特异性CNAs
SERGIO	单细胞数据模拟	生成具有真实噪声特征的单细胞RNA测序模拟数据集
SubcloneBench	算法评估框架	提供标准化测试流程与性能指标计算（ARI/RMSE等）

1.4.3.2 分析R包

R包名称	用途领域	主要功能描述
mclust	聚类评估	基于高斯混合模型的聚类分析与不确定性量化
aricode	聚类验证	计算调整兰德指数（ARI）、归一化互信息（NMI）等指标
ggplot2	数据可视化	创建高质量可定制化统计图形（如箱线图、热图）
dplyr	数据处理	提供高效数据框操作函数（筛选、排序、聚合等）
pheatmap	可视化	生成层次聚类热图，支持行列注释与颜色自定义
Tidyverse	数据科学工作流	整合数据处理、可视化与建模工具链
ape	进化分析	进化树构建、编辑与可视化支持
survival	生存分析	计算生存曲线、Cox比例风险模型等临床关联分析

---

1.5 研究成果

1.6 设计挑战

a,SMC-Het DREAM挑战赛时间表。

b,51个肿瘤的模拟参数分布。

c,三个模拟肿瘤的树形拓扑示例。

1.6.1 算法性能概述

a,基于中位数得分对每个子挑战上的算法进行排名。

b,算法评分在sc1C和sc2A上与选定算法特征的相关性。

c-d,评分sc1C和sc2A在每个肿瘤上的算法评分。

1.6.2 肿瘤特征影响亚克隆重建的性能和偏差

a,每个子挑战中前五种算法的单变量回归解释的得分方差。

b,控制算法ID时NRPCC对sc1C和sc2A评分的影响模型。

c,NRPCC对纯度误差的影响。

d,肿瘤估计亚克隆数的误差。

1.6.3 基因组特征对SNV亚克隆预测的影响

a,示意图显示如何使用sc1C和sc2A的输出来注释每个条目的SNV CP。

b,每个算法的平均克隆SNV检测灵敏度和特异性与标准误差。

c,每个肿瘤上每个条目的克隆性SNV检测F评分。

d,Top，各算法、CNA类别和肿瘤元组的克隆精度。

e,由CNA类型和SNV克隆性与中位sc1C和sc2A评分的SNV CP误差的入口特异性线性回归模型的效应大小和假发现率调整的双侧P值。

f,两个深度模拟角落病例肿瘤的SNV CP误差按亚克隆分组。

g,BAM特征与Battenberg输出特征的相关性，每个条目的SNV CP误差。

1.6.4 跨多个算法和子挑战的性能

a,算法和子挑战轴在得分空间主成分中的投影。

b,每个肿瘤和子挑战在总分中获得的40,000组独立随机均匀权值中，每种方法的排名分布。

c,每个子挑战可以使用一种集成方法。

d,在所有输入法组合中，中位数集合与中位数个人得分的颜色编码的hexbin密度。

1.7 主要发现

1. 算法性能差异显著

   :

• 最佳算法（如PhyloWGS）的ARI中位数为0.72，而部分算法ARI<0.3。

• 细胞比例估计误差（RMSE）范围：0.08（PyClone-VI）至0.35（部分聚类方法）。

关键影响因素

:

• 肿瘤纯度<50%

  时，90%算法的准确性下降>30%。

• 测序深度<100x

  导致突变聚类错误率增加2-5倍。

算法局限性

:

• 联合分析SNV和CNV的算法（如DPClust）表现更优，但仅30%的算法支持多数据类型输入。

---

1.8 研究亮点

• 众包模式

  : 首次大规模整合学术界与工业界算法，覆盖方法学多样性。

• 标准化框架

  : 提供开源评估工具SubcloneBench，支持自定义数据生成与算法测试。

• 临床启示

  : 明确算法在低纯度、低深度样本中的性能阈值，指导临床检测方案优化。

---

1.9 局限性与未来方向

• 局限性

  :

  • 模拟数据无法完全反映真实肿瘤的进化复杂性。

  • 未评估算法在多区域采样数据中的空间异质性解析能力。

• 未来方向

  :

  • 整合单细胞测序数据验证算法。

  • 开发自适应模型，动态优化参数以适应不同肿瘤类型。

---

1.10 临床意义

• 治疗决策

  : 高精度亚克隆重建可识别耐药相关亚群，指导联合用药。

• 预后分层

  : 克隆复杂度与患者生存率显著相关（HR=1.6, p<0.01）。

---

1.11 总结

本研究通过系统性基准测试，揭示了单样本亚克隆重建算法的优势与瓶颈，为算法开发者和临床研究者提供了关键参考。未来需进一步推动多模态数据整合与临床验证。

2 Reference

Salcedo, A., Tarabichi, M., Buchanan, A. et al. Crowd-sourced benchmarking of single-sample tumor subclonal reconstruction. Nat Biotechnol (2024).