Bu eser Geneplus – Beijing Enstitüsü tarafından desteklenir.

tümör örnekleri ve kan örnekleri Etik Komitesi, Pekin Üniversitesi insanlar tarafından onaylanmış bir protokolüne göre elde &#39; s hastane. Yazılı Onam saldırganın saklanıp örnekleri kullanmak için hastalardan elde edildi. Katılımcılar aşağıdaki kriterlere göre ekranlı: erkek, Gelişmiş sigara-küçük hücreli akciğer kanseri, EGFR p.L858R mutasyon belirtilen önceki Sanger sıralama tarafından hastalık ilerleme EGFR iki oturumu takip hedefli tedavi Erlotinib ile ve ER-ctDNA direnç nedeninin çözümlemek ve yeni hedef uyuşturucu bulmak için uygulanan Seq.
 1. DNA çekme--dan cfDNA ve genomik DNA (gDNA) için periferik kan <ol><li>periferik kan toplama tüp 10 mL toplamak, yavaşça yukarı ve aşağı 6 - 8 kez için tersine çevirin karıştırın. Hücre kesme önlemek. Kan örnekleri saklanabilir toplama tüp 6-37 ° c ilâ 72 saat.</li>
	<li>Toplama tüp, oda sıcaklığında 10 dakika santrifüj kapasitesi 1600'de (±150) x g.</li>
	<li>Dört temiz 2 mL uygun şekilde santrifüj tüpleri Pelet Katmanı (beyaz kan hücreleri) bozmadan bir tek kullanımlık damlalıklı kullanarak etiketli koleksiyonu tüpünden süpernatant (plazma) transfer.</li>
	<li>Transfer1 mL 2 ml temiz tek kullanımlık damlalıklı uygun kullanarak hücre santrifüj tüpü etiketli. Hücreler saklı-20 ° c veya daha önce adım 1.8 daha soğuk olabilir.</li>
	<li>(Kimden adım 1.3) plazma 4 ° C'de 10 dakika ve 16000 (±150) için santrifüj kapasitesi g. x</li>
	<li>Transfer düzgün olarak etiketli santrifüj tüpleri temizlemek için plazma &#34; plazma &#34;, kirlenmesini önlemek için alt kısmında kalan birim ~0.1 mL bırakın. Adım 1,7 kadar plazma-80 ° C'de depolayın.</li>
	<li>Plazma adım 1.6 3 mL cfDNA (içeren ctDNA) belirlemek için kullanın üretici takip piyasada bulunan bir seti kullanarak &#39; s yönergeleri.</li>
	<li>Kullanım 200 µL üretici takip piyasada bulunan bir seti kullanarak gDNA yalıtmak için adım 1.3 beyaz kan hücrelerinin &#39; s yönergeleri. 
	Not: Her ikisi de cfDNA ve gDNA-20 ° c kullanmadan önce saklanabilir.</li>
	<li>CfDNA ve gDNA (Tablo 2) için farklı kalite denetimleri uygulanır. Kalite kontrol için örnek yıkımı ve/veya gDNA kirlenme düzeylerini belirlemek bioanalyzer standart bir yöntem yerine getirilir. CfDNA ayıklama kalitesini analizini tepe şekil 1 ' e benzer görünmelidir. 
	Not: CfDNA en yüksek boyutu yaklaşık 170 olduğunu bp. Not cfDNA nadir mutasyonların etkili tespiti için daha yüksek bir kalite kitaplığındaki DNA miktarını artırarak sonuçlanır. En az 30 ng cfDNA (30.000 kopya) kullanmanızı öneririz.</li>
</ol> 2. Kütüphane hazırlık Not: temel Kütüphane inşaat parçalanmış DNA ile ilgili olarak cfDNA en yüksek boyut ~ 170 bp ile parçaları bulunmaktadır ve böylece birleştirilmesi gerekmez.
<ol><li>Parça denetimi örneği (gDNA) tarafından sonication 200-250 bp parçaları elde etmek için.
	<ol><li>Hazırlamak 1 µg Tris-EDTA arabelleği bir temiz sonication tüp 100 µL gDNA örneğinin.</li>
		<li>Sonication programı 30 küme s 12 dk. toplam 12 döngüleri için kapalı açık ve 30 s</li>
		<li>Ürün (5 µL) içeren 200-250 bp parçaları % 2 özel jel ile bir analiz çalıştırarak sonication sonra onaylamak.</li>
		<li>Tüm parçalanma ürünleri için yeni bir 1,5 mL tüp aktarmak ve 150 µL doğru parçaları seçmek 5 min için manyetik boncuklar ile kuluçkaya.</li>
		<li>Süpernatant kaldırmak için 30 manyetik bir raf üzerinde tüp koyarak s.</li>
		<li>Manyetik raf kalan tüp boncuk 200 µL % 80 etanol (taze hazırlanmış) ile yıkayın. 30 için kuluçkaya süpernatant kaldırmadan önce s. Bir kez yineleyin.</li>
		<li>Hava kuru manyetik raf kalırken açık tüp kapaklı boncuk. DNA hedef de kurtarır emin olmak için overdried boncuk kaçının. DNA parçaları boncuk boncuk miktar tarafından UV/Vis spektroskopisi tarafından takip DNA parçalarının gidermek için 10 mm Tris-HCl (pH 8) 32 µL ekleyerek elute. 
		Not: en az 200 ng aşağıdaki deneyler için gerekli.</li>
	</ol></li> <li>Son hazırlık tepki Not: takip üretici &#39; s öğretim ve gerektiği gibi değiştirin. CfDNA kullanım 30 ng; ve gDNA denetim olarak 1 µg.
	CfDNA steril nükleaz ücretsiz tüp, <ol><li>eklemek 7 µL tepki arabelleği, enzim karışımı 30 3 µL ng ve GKD 2 O 60 µL toplam hacmi ekleyin. Ayrı bir tüp içinde yukarıdaki bileşenleri eklemek ama gDNA cfDNA yerine 1 µg.</li>
		<li>Mix ve karışımı 30 dk 65 ° C 30 dk içinde bir thermocycler için ısıtmalı kapağı takip için 20 ° C'de kuluçkaya. Hemen bir sonraki adıma devam.</li>
	</ol></li> <li>Bağdaştırıcısı ligasyonu <ol><li>ekleyin 30 µL ligasyonu ana karışımı, 1 µL ligasyonu artırıcı ve 4 µL karışıma benzersiz sıralaması bağdaştırıcısı adım 2.2.</li>
		<li>Incubate bir thermocycler ısıtmalı kapağı olmadan içinde 15 dakika 20 ° C'de.</li>
		<li>Manyetik boncuklar resuspend ve boncuklar, oda sıcaklığında en az 30 dk önce bir sonraki adım için bırakmak için girdap.</li>
		<li>87 µL resuspended manyetik boncuklar daha önce sözünü ettiğimiz karışıma ekleyin; de yukarı ve aşağı pipetting karıştırın ve sonra 5 dakika süreyle oda sıcaklığında kuluçkaya</li>
		<li>Yıkama ve hava kuru boncuk adım 2.1 içinde açıklandığı gibi.</li>
		<li>10 mm Tris-HCl (pH 8) 20 µL ekleyerek boncuk DNA hedeften elute.</li>
	</ol></li> <li>Bağdaştırıcısıyla bakmaksızın zenginleştirme DNA parçalarının <ol><li>Ekle 20 µL bakmaksızın bağdaştırıcısı DNA parçaları, dizin astar/i7 5 µL (2.5 µL astar-P7 (10 pM) ve astar-P5 (10 pM), 2,5 µL sıralama amaçları için), 25µL, Kütüphane amplifikasyon ana mix ve GKD 2 O toplam hacmiyle 50 µL.</li>
		<li>PCR yükseltmek bakmaksızın bağdaştırıcısı DNA ve termal döngüsü aşağıdaki gibi: 45 için 98 ° C'de ilk denatürasyon ardından 8 döngüsü (cfDNA) veya 4 döngüleri (gDNA) tavlama 15 ° C, s, s, 65 ° C 30 s, 30 72 ° C s) ve son bir uzantısı 60 72 ° C'de s sonra sıcaklık 4'te holding ° C.</li>
		<li>Alınan parçaları almak için PCR zenginleştirilmiş DNA için askıya alınmış manyetik boncuklar eklemek 45 µL.</li>
		<li>Elute DNA parçaları 10 mm Tris-HCl (pH 8) 30 µL bağdaştırıcılarla.</li>
	</ol></li> <li>Kütüphane kalite kontrol <ol><li>üretici takip &#39; s protokolü için bağdaştırıcı ölçmek ticari teçhizat bakmaksızın DNA toplama. Bioanalyzer DNA kalitesini belirlemek için kullanın.</li>
	</ol></li></ol> 3. Hedef DNA yakalama Not: hedef zenginleştirme bilinen tümör ilişkili sürücü mutasyonlar 12 kapsayan bir 1021 kb hedef zenginleştirme bölge için bir özel sıra yakalama-sonda özel olarak tasarlanmış kullanarak gerçekleştirilen yapıldı. tümör farklı türleri. Üretici değişiklikler &#39; s protokolü aşağıdaki adımları ayrıntılı.
<ol><li>Kütüphaneler havuz engelleme <ol><li>eklemek 1.5 µg (havuzu cfDNA için kitaplıklarına en fazla sayısı 6, gDNA 20) adım 2, P5 Block(100P), P7 Block(100P) 8 µL ve karyolası-1 DNA'ın 5 µL 8 µL (1 µg/µL) steril bir tüp. 60 dakikaya ayarla vakum yoğunlaştırıcı kullanarak tüp içeriğini kuru ° C.</li>
	</ol></li> <li>DNA yakalama probları ile kütüphane Hybridize.
	<ol><li>3.1: 8.5 µL 2 X hibridizasyon arabellek, hibridizasyon artırıcı, ve 1.8 µL GKD nükleaz ücretsiz 2 O. 2.7 µL adım tüpünden için aşağıdaki bileşenleri ekleyin</li>
		<li>Mix tarafından yukarı ve aşağı pipetting ve bir thermomixer 10 dakika süreyle 95 ° C'de kuluçkaya</li>
		<li>Kuluçka hemen özel yoklama, 4 µL ekleyin. 65 ve #17, termal cycler örneklerinde kuluçkaya6; C kapak ile ısıtılan 75 ° c 4 h için</li>
	</ol></li> <li>DNA parçaları yakalama <ol><li>streptavidin boncuk boncuk ilişkisiz DNA çıkarmak için yıkama tarafından takip ile melezleşmiştir hedef DNA kuluçkaya. Üretici göre ticari setini kullanın &#39; resuspended boncuk yakalanan DNA ile son 20 µL almak için s yönergeleri parçaları.</li>
	</ol></li> <li>Yakalanan DNA amplifikasyon parçaları <ol><li>gerçekleştirmek ticari kullanarak PCR kiti 2 µM omurga oligonucleotides ile üretici göre &#39; s yönergeleri.</li>
		<li>Ne zaman PCR reaksiyon tamamlandığında, askıya alınan boncuk 45 µL PCR ürüne doğrudan ekleme ve boncuk için 10 mM Tris-HCl (pH 8) ile 30 µL elüsyon tarafından bağlı güçlendirilmiş hedef DNA parçalarının zenginleştirmek.</li>
	</ol></li> <li>Sayısal Kütüphane miktar kiti ile DNA parçalarının ve Bioanalyzer ( Şekil 2) ortalama parça boyla belirlemek.</li></ol>
 4. sıralama <ol><li>sıra multiplexed 18 h. toplam veri üretilen 60 gigabayt için 75 bp eşleştirilmiş uç ishal üstünde bir benchtop sequencer kullanarak kütüphaneleri, 15 G hasta örnek cfDNA ve 1 G için denetim örnek gDNA için gerekli.</li></ol>
 5. veri analizi iş akışı Not: şekil 3 genel iş akışı ve veri analiz süreci görüntüler. Veri analiz parametrelerini ve komutları aşağıda gösterilir.
<ol><li>Filtre düşük kaliteli okuma ve hataları ve NCfilter kullanarak UID maskeleme için doğru. 
	NCfilter(own) NCfilter filtre -l 5 - q 0,5 -n 0.1 -T 3 - G -1 fastq1-2 fastq2 realSeq(own) python bin/realRealSeq MaskUID -1 fq1-2 fq2 -o çıkış dir -p önek -u 4 -s 7 - m 3 -i uidFile-f.</li>
	<li>Referencing genom hg19 (insan genomu 19), BWA (sürüm 0.7.12-r1039) mem kullanarak sıralama sonuçları bulun ve genom analizi Toolkit (GATK) (sürüm 3.4-46-gbc02625) yeniden hizalayın. 
	BWA mem -t 3 hg19 fastq1 fastq2 java-d64-sunucu - XX: + UseParallelGC - XX: ParallelGCThreads = 8-Xms2g - Xmx10g - Djava.io.tmpdir=/tmp/-kavanoz GenomeAnalysisTK.jar -T RealignerTargetCreator -R hg19 -L targetRegion-dbsnp bilinen &#8212; 
	allowPotentiallyMisencodedQuals -nt 10 - ı cancerBam-ı normalBam java-d64-sunucu - XX: + UseParallelGC - XX: ParallelGCThreads = 8-Xms2g-Xmx10g &#8212; Djava.io.tmpdir=/tmp/-kavanoz GenomeAnalysisTK.jar -T IndelRealigner -R hg19-dbsnp bilinen - allowPotentiallyMisencodedQuals &#8212; targetIntervals aralıkları-ı cancerBam-ı normalBam</li>
	<li>Küme UID ve üsleri PCR/sıralama tarafından tanıtıldı ve temel kalite değiştirmek hata düzeltmek üzere şablon parçaları konumunu göre çoğaltmaları. 
	realSeq(own) python realSeq/bin/realSeq - p -b unmarkdup_sort_merge.bam - r chipRegion -o output_dir küme -m 6 önek</li> <li>BWA mem. tarafından kümelenmiş çoğaltmaları yeniden Hizala 
	BWA mem -t 3 hg19 fastq1 fastq2</li> <li>temel kalite puanı GATK (sürüm 3.4-46-gbc02625) kullanarak ayarlamayı tarafından takip yerel bir yeniden düzenlenmesi gerçekleştirmek. 
	Loacal yeniden düzenlenmesi: java-d64-sunucu - XX: + UseParallelGC - XX: ParallelGCThreads = 8-Xms2g-Xmx10g-Djava.io.tmpdir=/tmp/-kavanoz GenomeAnalysisTK.jar -T RealignerTargetCreator -R hg19 -L targetRegion-dbsnp - allowPotentiallyMisencodedQuals bilinen -nt 10 -CancerBam-ı normalBam java-d64-sunucu - XX: + UseParallelGC - XX: ParallelGCThreads = 8-Xms2g-Xmx10g-Djava.io.tmpdir=/tmp/-kavanoz GenomeAnalysisTK.jar -T IndelRealigner -R hg19-dbsnp - allowPotentiallyMisencodedQuals - targetIntervals bilinen aralıkları-ı cancerBam-ı normalBam temel kalite puanı ayarlamayı: java-d64-sunucu - XX: + UseParallelGC - XX: ParallelGCThreads = 8-Xms2g-Xmx10g-Djava.io.tmpdir=/tmp/ - kavanoz GenomeAnalysisTK.jar -T BaseRecalibrator -R hg19 -L targetRegion - knownSites dbsnp - knownSites kozmik - allowPotentiallyMisencodedQuals - nct 10 - ben bam -o grp java-d64-sunucu - XX: + UseParallelGC - XX: ParallelGCThreads = 8-Xms2g-Xmx10g-Djava.io.tmpdir=/tmp/-GenomeAnalysisTK.jar -T kavanoz PrintReads-ben bam - BQSR CTP -o outbam -R hg19 - nct 8 - allowPotentiallyMisencodedQuals</li> <li>(tek nükleotid varyant) SNV ve INDEL (küçük eklemelerin veya silmelerin) arama için düşük frekans mutasyonlar doğruluğunu daha da GSR (iyi destek okur) tarafından her ikisi ile doğrulanır ileriye ve geriye doğru strand çiftleri ve filtrasyon kontrol grubu (germline mutasyonlar) ve temel veritabanı aracılığıyla okuyun. 
	realDcaller(own) python realDcaller -f hg19 - r chipRegion - C baselineDB - O -L 2 cancerBam normalBam -p 30</li> <li>KNV (kopya numarası varyasyon) çağrıları yapmak için bir denetim olarak temel örnekleri kullanır. 
	NCcnv(own) python NCcnv -o cnvdir -t tmpdir - r chipRegion KNV--normgt normalBam tumgt--cancerBam--repdb repeatMarsk</li> <li>klipler ve SV (yapısal farklılıklar) aramak için uyumsuz çift okuma eşlenmemiş, Realigned. 
	NCsv(own) python NCsv -t tmpdir - r hg19 -o outputdir - x transkript -w bwapath -n 4 normalBam cancerBam</li></ol>

<ol>
	<li>Kennedy, S. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Detecting+ultralow-frequency+mutations+by+Duplex+Sequencing.">Detecting ultralow-frequency mutations by Duplex Sequencing.</a> Nat. Protoc. 9, 2586-2606 (2014).</li><li>Shendure, J., Ji, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Next-generation+DNA+sequencing.">Next-generation DNA sequencing.</a> Nat Biotechnol. 26, 1135-1145 (2008).</li><li>Bettegowda, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Detection+of+circulating+tumor+DNA+in+early-+and+late-stage+human+malignancies.">Detection of circulating tumor DNA in early- and late-stage human malignancies.</a> Sci. Transl. Med. 6, (2014).</li><li>Bratman, S. V., Newman, A. M., Alizadeh, A. A., Diehn, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Potential+clinical+utility+of+ultrasensitive+circulating+tumor+DNA+detection+with+CAPP-Seq.">Potential clinical utility of ultrasensitive circulating tumor DNA detection with CAPP-Seq.</a> Expert Rev. Mol. Diagn. 15, 715-719 (2015).</li><li>Diaz, L. A., Bardelli, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Liquid+biopsies:+genotyping+circulating+tumor+DNA.">Liquid biopsies: genotyping circulating tumor DNA.</a> J. Clin. Oncol. 32, 579-586 (2014).</li><li>Crowley, E., Di Nicolantonio, F., Loupakis, F., Bardelli, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Liquid+biopsy:+monitoring+cancer-genetics+in+the+blood.">Liquid biopsy: monitoring cancer-genetics in the blood.</a> Nat. Rev. Clin. Oncol. 10, 472-484 (2013).</li><li>Su, Z., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+platform+for+rapid+detection+of+multiple+oncogenic+mutations+with+relevance+to+targeted+therapy+in+non-small-cell+lung+cancer.">A platform for rapid detection of multiple oncogenic mutations with relevance to targeted therapy in non-small-cell lung cancer.</a> J. Mol. Diagn. 13, 74-84 (2011).</li><li>Kukita, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=High-fidelity+target+sequencing+of+individual+molecules+identified+using+barcode+sequences:+de+novo+detection+and+absolute+quantitation+of+mutations+in+plasma+cell-free+DNA+from+cancer+patients.">High-fidelity target sequencing of individual molecules identified using barcode sequences: de novo detection and absolute quantitation of mutations in plasma cell-free DNA from cancer patients.</a> DNA Res. 22, 269-277 (2015).</li><li>Schmitt, M. W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Sequencing+small+genomic+targets+with+high+efficiency+and+extreme+accuracy.">Sequencing small genomic targets with high efficiency and extreme accuracy.</a> Nat. Methods. 12, 423-425 (2015).</li><li>Schmitt, M. W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Detection+of+ultra-rare+mutations+by+next-generation+sequencing.">Detection of ultra-rare mutations by next-generation sequencing.</a> Proc. Natl. Acad. Sci. USA. 109, 14508-14513 (2012).</li><li>Newman, A. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=An+ultrasensitive+method+for+quantitating+circulating+tumor+DNA+with+broad+patient+coverage.">An ultrasensitive method for quantitating circulating tumor DNA with broad patient coverage.</a> Nat. Med. 20, 548-554 (2014).</li><li>Newman, A. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Integrated+digital+error+suppression+for+improved+detection+of+circulating+tumor+DNA.">Integrated digital error suppression for improved detection of circulating tumor DNA.</a> Nat Biotechnol. 34 (5), 547-555 (2016).</li><li>Alix-Panabie&#768;res, C., Schwarzenbach, H., Pantel, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Circulating+tumor+cells+and+circulating+tumor+DNA.">Circulating tumor cells and circulating tumor DNA.</a> Annu. Rev. Med. 63, 199-215 (2012).</li><li>Dawson, S. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Analysis+of+circulating+tumor+DNA+to+monitor+metastatic+breast+cancer.">Analysis of circulating tumor DNA to monitor metastatic breast cancer.</a> N. Engl. J. Med. 368, 1199-1209 (2013).</li><li>Li, H., Durbin, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Fast+and+accurate+short-read+alignment+with+Burrows-+Wheeler+transform.">Fast and accurate short-read alignment with Burrows- Wheeler transform.</a> Bioinformatics. 25, 1754-1760 (2009).</li><li>Youn, A., Simon, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Identifying+cancer+driver+genes+in+tumor+genome+sequencing+studies.">Identifying cancer driver genes in tumor genome sequencing studies.</a> Bioinformatics. 27, 175-181 (2011).</li><li>Forshew, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Noninvasive+identification+and+monitoring+of+cancer+mutations+by+targeted+deep+sequencing+of+plasma+DNA.">Noninvasive identification and monitoring of cancer mutations by targeted deep sequencing of plasma DNA.</a> Sci. Transl. Med. 4, (2012).</li><li>Kobayashi, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=EGFR+mutation+and+resistance+of+non-small-cell+lung+cancer+to+gefitinib.">EGFR mutation and resistance of non-small-cell lung cancer to gefitinib.</a> N. Engl. J. Med. 352, 786-792 (2005).</li><li>Kuang, Y., Rogers, A., Yeap, Y., Wang, L., Makrigiorgos, M., Vetrand, K., Thiede, S., Distel, R. J., Ja&#776;nne, P. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Noninvasive+detection+of+EGFR+T790M+in+gefitinib+or+erlotinib+resistant+non-small+cell+lung+cancer.">Noninvasive detection of EGFR T790M in gefitinib or erlotinib resistant non-small cell lung cancer.</a> Clin. Cancer Res. 15, 2630-2636 (2009).</li><li>Taniguchi, K., Uchida, J., Nishino, K., Kumagai, T., Okuyama, T., Okami, J., Higashiyama, M., Kodama, K., Imamura, F., Kato, K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Quantitative+detection+of+EGFR+mutations+in+circulating+tumor+DNA+derived+from+lung+adenocarcinomas.">Quantitative detection of EGFR mutations in circulating tumor DNA derived from lung adenocarcinomas.</a> Clin. Cancer Res. 17, 7808-7815 (2011).</li><li>Leary, R. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Development+of+personalized+tumor+biomarkers+using+massively+parallel+sequencing.">Development of personalized tumor biomarkers using massively parallel sequencing.</a> Sci. Transl. Med. 2, (2010).</li><li>Forshew, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Noninvasive+identification+and+monitoring+of+cancer+mutations+by+targeted+deep+sequencing+of+plasma+DNA.">Noninvasive identification and monitoring of cancer mutations by targeted deep sequencing of plasma DNA.</a> Sci. Transl. Med. 4, (2012).</li><li>Bratman, S. V., Newman, A. M., Alizadeh, A. A., Diehn, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Potential+clinical+utility+of+ultrasensitive+circulating+tumor+DNA+detection+with+CAPP-Seq.">Potential clinical utility of ultrasensitive circulating tumor DNA detection with CAPP-Seq.</a> Expert Rev. Mol. Diagn. 15, 715-719 (2015).</li></ol>

Yazarlar ifşa gerek yok.

CtDNA analizleri hala değil rutin klinik uygulamada uygulamadır ancak tümör DNA (ctDNA) dolaşan varlığını daha 30 yıl önce keşfedilmiştir. İlgi ctDNA yöntemleri pratik uygulama geliştirme teknolojileri ctDNA algılama ve çözümleme ile artmıştır. Tümör ctDNA ile izleme mikroskopik rezidüel hastalığı, tedavisi ve tümör moleküler profilleri altında arka plan tümör gelişimi ve intratumoral heterojenlik13Yanıt değerlendirilmesi için minimal invaziv bir yaklaşım sunuyor, 14. Duyarlılık ve özgüllük analiz iyileştirmeler tüm bu uygulamaları15,16kolaylaştıracaktır.
Bu makale, ER-Seq, NSCLC davayı örnek olarak kullanarak ctDNA algılama, duyarlılığını iyileştirme amaçlı bir umut verici yöntemi tanıttı. Geleneksel analizi ile karşılaştırıldığında, ER-Seq bizim benzersiz sıralaması bağdaştırıcısı uygulanması, duyarlılık ve özgüllük bir kapsama derinlik artış ve düşük frekans mutasyonlar (EGFR p gibi algılamak için bir yetenek ile gösterilen, belirgin bir biçimde iyileştirilmiş T790M (%0,53)). T790M varlığını bu hasta örneğinde Erlotinib direnç bir faktör olabilir ve daha iyi T790M, AZD929117-20 gibi belirli bir üçüncü nesil EGFR inhibitörü kullanımına düşündüren bu hastayı tedavi etmeyi bir anlayış verdi. Bir diğer kritik nokta, duyarlılık ve özgüllük katkıda bulunan ER Seq da arka plan gürültü süzme yoluyla ctDNA düşük frekans mutasyonların tam algılama kolaylaştırır temel veritabanı tarama olduğu.
ER-Seq geleneksel yöntemleri için üstün kılan pek çok avantajı olmasına rağmen hala aşılması gereken bazı sorunlar vardır. ER-Seq için büyük zorluklardan biri ctDNA kanda mevcut son derece düşük düzeydir. Bu düşük frekanslı mutasyonlar için yeterli şablonu ctDNA edinimi önemlidir. Gelişmiş olması ihtiyaçları olsa bizim benzersiz bağdaştırıcıları önemli ölçüde ctDNA, geri dönüşüm oranını artırmak. Başka bir sorun ve tüm diğer sıralama teknikleri, ER-Seq için hedef bölgeleri kapsamında kısıtlamasıdır. Bizim seçilen 1021 kb sonda bölgeler, tümör ile ilgili mutasyonların yaklaşık % 95 kapağı olabilir, diğer küçük uçak yöntemleri21ile,22,23göre daha kapsamlı zenginleştirilmiş. Ancak, tümör heterojenite iyi tanınan ve daha fazla ve daha fazla tümör biyolojik keşfedildi gibi bizim probları göreli kapsama oranı bölgelerde düşüşler zenginleştirilmiş. Erken tanı ve hastalık tümör hastalarının izlenmesi için bir araç olarak daha iyi hizmet vermek için daha kapsamlı sıralama ve analiz teknikleri ihtiyaç vardır. Şu anda, ER-Seq hala yüksek miktarda veri düşük frekanslı mutasyonlar algılamak için kullanır. Veri kullanımı daha da geliştirilmesi ER-devamı. uygulama için uygun olabilir
Yukarıda da açıklandığı gibi ER-Seq ile ilgili birçok sınırlamalar adlı biri yok. Ancak, bizim benzersiz analiz tekniği hala bu alandaki diğer üst rütbeli yöntemleri ile karşılaştırıldığında pek çok avantajı vardır. Artılarını ve eksilerini bu tekniği daha da araştırma hak. ER-Seq potansiyel rutin klinik kullanım için klinik doktorlar, tümörler ve monitör tümör dinamikleri ve tedaviye yanıt teşhis etmek için güçlü bir araç sağlayarak için büyük öneme sahip olacaktır. Roman mutasyonlar bizim analiz tarafından bulundu geleneksel ve hedeflenmiş tedavi direnci ile ilişkili tedavi gelişmiş hastalığı olan kanser hastaları için yeni yollar sunuyor olabilir.

Yeni nesil sıralama (NGS), soykırım, sırlarını araştırmak için güçlü bir araç genetik değişiklikler ortaya çıkarabilir bilgi büyük miktarda sağlayabilir. NGS analizde klinik uygulama özellikle kişiselleştirilmiş tıp daha yaygın hale gelmiştir. NGS, en büyük sınırlamaları ancak, yüksek hata oranı biridir. Eğitim devralınan mutasyonlar için uygun sayılır, özellikle DNA analiz "sıvı biyopsisi" elde edilen nadir mutasyon analizi büyük ölçüde sınırlı1,2, olsa da.
Tümör dolaşan DNA (ctDNA) boş hücre DNA (cfDNA) tümör hücreleri döken kan var. Çoğu durumda ctDNA onun algılama ve analiz zorlayıcı olun son derece düşük miktarıdır. Ancak, ctDNA çok çekici özelliklere sahiptir: onun yalıtım minimal invaziv, tümör büyüme erken dönemlerinde algılanabilir, ctDNA düzeyi terapötik etkinlik yansıtır ve ctDNA içeren birincil ve metastatik lezyonlar bulunan DNA mutasyonları 3 , 4 , 5. bu nedenle, hızlı bir gelişme NGS tekniği ve analiz göz önüne alındığında, başvuru ctDNA algılama daha cazip oldu.
Farklı kitlesel paralel sıralama yaklaşımlar ctDNA tespiti için kullanılan ama bu yaklaşımlardan hiçbiri kliniklerde sınırlamaları nedeniyle rutin kullanım için kabul edildi: düşük duyarlılık, çok yönlülük eksikliği ve nispeten yüksek maliyetli6 ,7,8. Örneğin, bir benzersiz tanımlayıcı etiketi (UID), temel çift yönlü sıralama Art arda sıralama hatalarının en takviyeli-fikir birliği uzmanlığından hataları düzeltir. Ancak, bu yöntemin fizibilite düşük veri kullanımı9,10ve yüksek maliyet nedeniyle kaybolur. Doğruluk ve evrensellik bu yöntemlerin geliştirilmesi gerekir rağmen benzer şekilde, CAPP Seq ve geliştirilmiş, yineleme, CAPP-IDE11,12, büyük pratiklik cfDNA algılama var.
Doğru ctDNA algılama ve çözümlemesi geçerli ihtiyacını karşılamak için yeni bir strateji, nadir mutasyon zenginleştirmek (ER-Seq) sıralama geliştirdi. Bu yaklaşım aşağıdaki birleştirir: Çift yönlü hata düzeltmesi ve dışarı-in tek bir mutasyon ayırt yeteneği ile ctDNA molekülleri verimli bir şekilde kurtarmak için benzersiz sıralaması bağdaştırıcısı &#62; 1 × 107 vahşi tipi nükleotit; kapak üzerinde hedef bölgeleri ölçümü zenginleştirmek 1021 kb probları %95 12 tümörler akciğer kanseri, kolorektal kanser, mide kanseri, meme kanseri, böbrek kanseri, pankreas kanseri, karaciğer kanseri, tiroid kanseri, dahil olmak üzere, gelen tümör ile ilgili mutasyonların Rahim ağzı kanseri, yemek borusu kanseri ve rahim Karsinomu (tablo 1); ve verimli ve nadir mutasyonlar ctDNA içinde tam olarak algılamak kolay hale temel veritabanı eleme.
Temel veritabanı oluşturmak için ER-Seq tarafından tüm gen mutasyonlarının örnekleri (~ 1000 başına) aynı türde bir dizi bulmak. Bu gerçek mutasyonlar diğer çeşitli güvenilir algılama yöntemleri ve analiz tarafından doğrulanması gerekir. Daha sonra yanlış mutasyonların desen özetlemek ve tüm yanlış mutasyonlar ilk temel veritabanı oluşturmak için küme. Yanlış mutasyonlar sonraki sıralama deneylerden buldum bu veritabanına eklemeye devam edin. Bu nedenle, bu temel veritabanı sıralama doğruluğu önemli ölçüde artıran bir Dinamik Genişletilmiş veritabanı olur.
Tümör tanısı ve takibi devam teşvik etmek, ER-Seq, evrensel veri edinimi için düşük maliyetli ve uygulanabilir bir yöntem mevcut. Biz ER-Seq analizi, uygulanan bir vaka nadir mutasyonlar ve fizibilite kullanmak için klinikte algılama doğruluğunu gösteren mevcut.

<table>
	<tbody>
		<tr>
			<td>QIAamp Circulating Nucleic Acid Kit</td>
			<td>Qiagen</td>
			<td>55114</td>
			<td>DNA Extraction from Peripheral Blood for cfDNA</td>
		</tr>
		<tr>
			<td>QIAamp DNA Blood Mini Kit</td>
			<td>Qiagen</td>
			<td>51105</td>
			<td>DNA Extraction from Peripheral Blood for gDNA</td>
		</tr>
		<tr>
			<td>Quant-iT dsDNA HS Assay Kit</td>
			<td>Invitrogen</td>
			<td>Q32854</td>
			<td>Measure cfDNA concentration</td>
		</tr>
		<tr>
			<td>Quant-iT dsDNA BR Assay Kit</td>
			<td>Invitrogen</td>
			<td>Q32853</td>
			<td>Measure library concentration</td>
		</tr>
		<tr>
			<td>Agilent DNA 1000 Reagents</td>
			<td>Agilent</td>
			<td>5067-1504</td>
			<td>Measure cfDNA and library fragments</td>
		</tr>
		<tr>
			<td>The NEBNext UltraII DNA Library Prep Kit for Illumina</td>
			<td>NEB</td>
			<td>E7645L</td>
			<td>Library Preparation</td>
		</tr>
		<tr>
			<td>Agencourt SPRIselect Reagent</td>
			<td>Beckman</td>
			<td>B23317</td>
			<td>DNA fragment screening and purification</td>
		</tr>
		<tr>
			<td>Tris-HCl (10 mM, pH 8.0)-100ML</td>
			<td>Sigma</td>
			<td>93283</td>
			<td>Dissolution</td>
		</tr>
		<tr>
			<td>xGen Lockdown Probes</td>
			<td>IDT</td>
			<td>&#8212;&#8212;</td>
			<td>xGen Custom Probe</td>
		</tr>
		<tr>
			<td>Human Cot-1 DNA</td>
			<td>Life</td>
			<td>15279-011</td>
			<td>Targeted DNA capture</td>
		</tr>
		<tr>
			<td>Dynabeads M-270 Streptavidin</td>
			<td>Life</td>
			<td>65305</td>
			<td>Targeted DNA capture</td>
		</tr>
		<tr>
			<td>xGen Lockdown Reagents</td>
			<td>IDT</td>
			<td>1072281</td>
			<td>Targeted DNA capture</td>
		</tr>
		<tr>
			<td>KAPA HiFi HotStart ReadyMix</td>
			<td>KAPA</td>
			<td>KK2602</td>
			<td>post-capture PCR enrichment libraries</td>
		</tr>
		<tr>
			<td>KAPA Library Quantification Kit</td>
			<td>KAPA</td>
			<td>KK4602</td>
			<td>Measure library concentration</td>
		</tr>
		<tr>
			<td>NextSeq 500 High Output Kit v2((150 cycles)</td>
			<td>illumina</td>
			<td>FC-404-2002</td>
			<td>Sequence</td>
		</tr>
		<tr>
			<td>Centrifuge5810</td>
			<td>eppendorf</td>
			<td>5810</td>
			<td></td>
		</tr>
		<tr>
			<td>Nanodrop8000</td>
			<td>Thermo Scientific</td>
			<td>8000</td>
			<td>Measure gDNA concentration</td>
		</tr>
		<tr>
			<td>Qubit 2.0</td>
			<td>Invitrogen</td>
			<td></td>
			<td>Quantify</td>
		</tr>
		<tr>
			<td>Agilent 2100 Bioanalyzer</td>
			<td>Agilent</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>ThermoMixer C</td>
			<td>eppendorf</td>
			<td></td>
			<td>Incubation</td>
		</tr>
		<tr>
			<td>16-tube DynaMagTM-2 Magnet</td>
			<td>Life</td>
			<td>12321D</td>
			<td></td>
		</tr>
		<tr>
			<td>Concentrator plus</td>
			<td>eppendorf</td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td>PCR</td>
			<td>AB</td>
			<td>simplyamp</td>
			<td></td>
		</tr>
		<tr>
			<td>QPCR</td>
			<td>AB</td>
			<td>7500Dx</td>
			<td></td>
		</tr>
		<tr>
			<td>NextSeq 500</td>
			<td>illumina</td>
			<td></td>
			<td></td>
		</tr>
	</tbody>
</table>

detection of rare mutations in ctdna using next generation sequencing

Tümör DNA (ctDNA) yeni nesil sıralama (NGS) kullanarak dolaşan analiz klinik Onkoloji gelişimi için değerli bir araç haline gelmiştir. Ancak, bu yöntem uygulama ctDNA kan eser miktarda analiz onun düşük duyarlılık nedeniyle zordur. Ayrıca, yöntem bu sıralama ve sonraki analiz yanlış pozitif ve negatif sonuçlar oluşturabilir. Fizibilite ve ctDNA algılama klinikte güvenilirliğini artırmak için burada sıralama, nadir mutasyon sıralama (ER-Seq) zenginleştirmek için nadir mutasyonlar zenginleştiren bir tekniği mevcut. ER-Seq son derece düşük frekanslı genetik değişiklikleri algılamak için umut verici bir araçtır ve böylece hastalık heterogenicity okumak çok yararlı olacak tek bir mutasyon 1 x 107 vahşi tipi nükleotit, dışarı ayırabilirsiniz. Benzersiz sıralaması bağdaştırıcısı'nın ligasyonu sayesinde bu yöntem aynı zaman hataları uzmanlığından (anlam ve Antisens) için düzeltme iken, ctDNA molekülleri, verimli bir kurtarma sağlar. 1021 kb sondalar bizim seçim kapak üzerinde hedef bölgeleri ölçümü zenginleştiren 12 tümör tümör ile ilgili sürücü mutasyonların % 95'i. Bu maliyet-etkin ve evrensel yöntem genetik veri benzersiz olarak başarılı bir birikimi sağlar. Verimli bir şekilde arka planda hata filtreleme sonra ER-seq nadir mutasyonlar tam olarak algılayabilir. Bir örnek çalışma kullanarak, sonda tasarım, Kütüphane yapı ve hedef DNA yakalama yöntemleri, veri analizi iş akışı da dahil olmak üzere süre gösteren ayrıntılı bir iletişim kuralı mevcut. Genellikle bu yöntem taşımak için işlem 1-2 gün sürer.

ER-Seq içinde kullanılan zenginleştirilmiş hedef bölgeleri tablo 1' de gösterilen 1021 kb probları hangi kapakları 12 ortak tümörler gen mutasyonlarının % 95'den fazla. Bu sondalar çeşitli kanser hastalarının çoğunluğu için geçerli bu işlem sağlar. Ayrıca, bizim benzersiz sıralaması bağdaştırıcısı ve temel veritabanı tarama nadir mutasyonlar kesin olarak tespit etmek mümkün kılar.
GDNA ve periferik kan çıkarılan cfDNA farklı özellikleri nedeniyle, veri kalitesi, kalite denetimleri tablo 2' de gösterilen ve farklı aygıtlar tarafından belirlenen bir dizi vardır. Başarıyla ayıklanan cfDNA ~ 170 bioanalyzer QC tarafından analiz olarak kan basıncı ve gösterildiği şekil 1' in en yüksek boyutu görüntülenmelidir. Büyük parçaları son üründe görünmemesi gereken genomik DNA kirlenme gösterir. Bu hasta örneğinden çıkarılan DNA'sı yeterli kalite ve miktar için ER-Seq (cfDNA - 42,6 ng; gDNA - 3,426 µg).
Özel bir sonda kullanarak hedef DNA yakalama sonra PCR tarafından güçlendirilmiş. Ortalama parça boyutu için bir hastanın cfDNA bir tepe civarında ~ 320 gösterdi 2A rakam olarak bioanalyzer ve temsilcisi verileri tarafından değerlendirilmiştir bp ve özel jel üzerinde benzersiz bir grup. gDNA olarak bir özel jel üzerinde bir smear şekil 2Biçinde gösterildiği gibi görünmesi gerekir. Her iki kütüphane kaliteleri sonraki sıralama için kabul edilebilir.
Sonra sıralama, veri sırayla şekil 3Biş akışında göre analiz edildi. Bizim ER Seq geleneksel yöntem karşı avantajları göstermek için aynı örnek kullanarak her iki analizler yapılır. Her iki analizleri sonuçlarını tablo 3 ve tablo 4gösterilir. ER-Seq 23 cfDNA molekülleri, onun verimli kurtarma nedeniyle olduğu böylece büyük ölçüde geleneksel yöntem ile (tablo 3, ER-Seq vs 2475 okuma geleneksel analiz 3214.3 okur), göre % kapsama derinliği artırır gösterdi nadir mutasyon analizi geliştirilmesi. Bu da ER-Seq içinde kullanılan benzersiz sıralaması bağdaştırıcısı kolay doğal ve PCR kaynaklı mükerrer farklılaşma etkinleştirmek açıktır (tablo 3, PCR indüklenen 0 çoğaltılamaz okumak ER-Seq içinde). Ayrıca, arama sonuçlarında ER-Seq üzerinde dayalı analiz % 100 EGFR p.L858R algılama için tutarlı ve algılama sıklığını biraz daha yüksek (% 2.7 vs % 1.2) iken geleneksel analiz (tablo 4) ile karşılaştırıldığında olduğunu bulduk. Önemlisi, ER-Seq analiz EGFR p.T790M (varyasyon frekans %0,53) dahil olmak üzere diğer nispeten düşük frekanslı mutasyonların algılama etkin (Tablo 4), ve bu yüksek arka plan gürültü nedeniyle geleneksel analiz tarafından tanınmadı.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/56342/56342fig1.jpg"> 
Şekil 1. Temsilcisi QC sonuç, başarılı bir şekilde izole cfDNA Sol grafiklerde parça boyutu (bp) X eksenini gösterir ve Y ekseni göreli Floresans birimleri (FU) gösterir. ~ 170 birincil büyüklüğünde cfDNA bp ve kirlenme büyük parçaları yok. Bir simüle Elektroforez jel sağ tarafta gösterilir. <a href="https://ecsource-jove-com.remotexs.ntu.edu.sg/files/ftp_upload/56342/56342fig1large.jpg" target="_blank">Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/56342/56342fig2.jpg"> 
Şekil 2. Örnek kütüphaneleri analiz QC. X ekseni parça boyutu (bp) gösterir ve Y ekseni göreli Floresans birimleri (FU) gösterir. Bir simüle Elektroforez jel her grafik sağdaki gösterildi. (A)hastanın cfDNA örnek bağdaştırıcıları ile güçlendirilmiş sonra keskin bir tepe gösterdi. (B) denetim gDNA örnek gösterdi eşit olarak dağıtılmış parçaları ile hiçbir keskin tepe ve hiçbir önyargı bir yana doğru. Her iki örnekleri için sonraki sıralama kabul edilebilir. <a href="https://ecsource-jove-com.remotexs.ntu.edu.sg/files/ftp_upload/56342/56342fig2large.jpg" target="_blank">Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/56342/56342fig3.jpg"> 
Şekil 3. ER-Seq iş akışı. (A)genel iş akışı. (B) veri analizi iş akışı. <a href="https://ecsource-jove-com.remotexs.ntu.edu.sg/files/ftp_upload/56342/56342fig3large.jpg" target="_blank">Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.</a>
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td colspan="10">2735 ekzonlar 70 genlerin tüm exon bölgesinden</td>
		</tr>
		<tr>
			<td>ABL1</td>
			<td>ABL2</td>
			<td>AKT1</td>
			<td>AKT2</td>
			<td>AKT3</td>
			<td>ALK</td>
			<td>APC</td>
			<td>AR</td>
			<td>ARAF</td>
			<td>ATM</td>
		</tr>
		<tr>
			<td>ATR</td>
			<td>AURKA</td>
			<td>AURKB</td>
			<td>AXL</td>
			<td>BAP1</td>
			<td>BCL2</td>
			<td>BRAF</td>
			<td>BRCA1</td>
			<td>BRCA2</td>
			<td>BRD2</td>
		</tr>
		<tr>
			<td>BRD3</td>
			<td>BRD4</td>
			<td>BTK</td>
			<td>C11orf30</td>
			<td>C1QA</td>
			<td>C1S</td>
			<td>CBL</td>
			<td>CCND1</td>
			<td>CCND2</td>
			<td>CCND3</td>
		</tr>
		<tr>
			<td>CCNE1</td>
			<td>CD274</td>
			<td>CDH1</td>
			<td>CDK13</td>
			<td>CDK4</td>
			<td>CDK6</td>
			<td>CDK8</td>
			<td>CDKN1A</td>
			<td>CDKN1B</td>
			<td>CDKN2A</td>
		</tr>
		<tr>
			<td>CDKN2B</td>
			<td>CHEK1</td>
			<td>CHEK2</td>
			<td>CRKL</td>
			<td>CSF1R</td>
			<td>CTNNB1</td>
			<td>DDR1</td>
			<td>DDR2</td>
			<td>DNMT3A</td>
			<td>EGFR</td>
		</tr>
		<tr>
			<td>EPHA2</td>
			<td>EPHA3</td>
			<td>EPHA5</td>
			<td>ERBB2</td>
			<td>ERBB3</td>
			<td>ERBB4</td>
			<td>ERCC1</td>
			<td>ERG</td>
			<td>ESR1</td>
			<td>EZH2</td>
		</tr>
		<tr>
			<td>FAT1</td>
			<td>FBXW7</td>
			<td>FCGR2A</td>
			<td>FCGR2B</td>
			<td>FCGR3A</td>
			<td>FGFR1</td>
			<td>FGFR2</td>
			<td>FGFR3</td>
			<td>FGFR4</td>
			<td>FLCN</td>
		</tr>
		<tr>
			<td>FLT1</td>
			<td>FLT3</td>
			<td>FLT4</td>
			<td>FOXA1</td>
			<td>FOXL2</td>
			<td>GAB2</td>
			<td>GATA3</td>
			<td>GNA11</td>
			<td>GNAQ</td>
			<td>GNAS</td>
		</tr>
		<tr>
			<td>HDAC1</td>
			<td>HDAC4</td>
			<td>HGF</td>
			<td>HRAS</td>
			<td>IDH1</td>
			<td>IDH2</td>
			<td>IGF1R</td>
			<td>IL7R</td>
			</tr></tbody></table>TD > INPP4B
			<td>IRS2</td>
		
		<tr>
			<td>JAK1</td>
			<td>JAK2</td>
			<td>JAK3</td>
			<td>KDR</td>
			<td>KIT</td>
			<td>KRAS</td>
			<td>MAP2K1</td>
			<td>MAP2K2</td>
			<td>MAPK1</td>
			<td>MAPK3</td>
		</tr>
		<tr>
			<td>MCL1</td>
			<td>MDM2</td>
			<td>MDM4</td>
			<td>MED12</td>
			<td>BİR ARAYA GELDİ</td>
			<td>MITF</td>
			<td>MLH1</td>
			<td>MLH3</td>
			<td>MPL</td>
			<td>MS4A1</td>
		</tr>
		<tr>
			<td>MSH2</td>
			<td>MSH3</td>
			<td>MSH6</td>
			<td>MTOR</td>
			<td>MYC</td>
			<td>MYD88</td>
			<td>NF1</td>
			<td>NF2</td>
			<td>NOTCH1</td>
			<td>NOTCH2</td>
		</tr>
		<tr>
			<td>NOTCH3</td>
			<td>NOTCH4</td>
			<td>NRAS</td>
			<td>NTRK1</td>
			<td>NTRK3</td>
			<td>PALB2</td>
			<td>PDGFRA</td>
			<td>PDGFRB</td>
			<td>PDK1</td>
			<td>PIK3CA</td>
		</tr>
		<tr>
			<td>PIK3CB</td>
			<td>PIK3R1</td>
			<td>PIK3R2</td>
			<td>PMS1</td>
			<td>PMS2</td>
			<td>PRKAA1</td>
			<td>PSMB1</td>
			<td>PSMB5</td>
			<td>PTCH1</td>
			<td>PTCH2</td>
		</tr>
		<tr>
			<td>PTEN</td>
			<td>PTPN11</td>
			<td>RAF1</td>
			<td>RARA</td>
			<td>RB1</td>
			<td>RET</td>
			<td>RHEB</td>
			<td>RHOA</td>
			<td>RICTOR</td>
			<td>RNF43</td>
		</tr>
		<tr>
			<td>ROCK1</td>
			<td>ROS1</td>
			<td>RPS6KB1</td>
			<td>SMARCA4</td>
			<td>SMARCB1</td>
			<td>SMO</td>
			<td>SRC</td>
			<td>STAT1</td>
			<td>STAT3</td>
			<td>STK11</td>
		</tr>
		<tr>
			<td>SYK</td>
			<td>TMPRSS2</td>
			<td>TOP1</td>
			<td>TP53</td>
			<td>TSC1</td>
			<td>TSC2</td>
			<td>VEGFA</td>
			<td>VHL</td>
			<td>XPO1</td>
			<td>XRCC1</td>
		</tr>
		<tr>
			<td colspan="10">intron, Organizatör ve kesme noktalarını veya aşağıdaki 24 genler bölgesinden füzyon</td>
		</tr>
		<tr>
			<td>ALK</td>
			<td>FGFR1</td>
			<td>FGFR2</td>
			<td>FGFR3</td>
			<td>NTRK1</td>
			<td>NTRK3</td>
			<td>PDGFRA</td>
			<td>PDGFRB</td>
			<td>ROS1</td>
			<td>RET</td>
		</tr>
		<tr>
			<td>BİR ARAYA GELDİ</td>
			<td>BRAF</td>
			<td>ABL1</td>
			<td>BRD3</td>
			<td>BRD4</td>
			<td>EGFR</td>
			<td>RAF1</td>
			<td>BCR</td>
			<td>ERG</td>
			<td>TMPRSS2</td>
		</tr>
		<tr>
			<td>RARA</td>
			<td>KIF5B</td>
			<td>BCL2L11</td>
			<td>TERT</td>
			<td></td>
			<td></td>
			<td></td>
			<td></td>
			<td></td>
			<td></td>
		</tr>
		<tr>
			<td colspan="10">göreli diğer genler: 1122 ekzonlar 847 genler üzerinden</td>
		</tr>
	

Tablo 1. 1021 kb zenginleştirilmiş hedef bölgeleri sondalar. Bu bölgeler dahil: 2735 ekzonlar üzerinden 170 genler; intron, organizatörü bölgeler ve 24 genler bölgelerden kesme noktası; 1122 ekzonlar 847 ilgili genler üzerinden. Bunlar kapak tümör % 95'i ile ilgili sürücü mutasyonlar ve hedef mutasyon siteleri 12 en sık görülen tümörler (akciğer kanseri, kolorektal kanser, mide kanseri, meme kanseri, böbrek kanseri, pankreas kanseri, karaciğer kanseri, tiroid kanseri, serviks kanseri, Kanser özofagus ve rahim Karsinom).
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>DNA</td>
			<td>Sonuç</td>
			<td>Gösterge</td>
			<td>İdeal aralığı</td>
		</tr>
		<tr>
			<td rowspan="2">cfDNA</td>
			<td>Parça boyutu</td>
			<td>DNA parçası dağıtım tanımlaması</td>
			<td>168bp±20(a)</td>
		</tr>
		<tr>
			<td>Konsantrasyon</td>
			<td>Daha doğru DNA miktar</td>
			<td>Toplam cfDNA ≥30ng(b)</td>
		</tr>
		<tr>
			<td rowspan="3">gDNA</td>
			<td>A260/A230</td>
			<td>Kimyasal kirleticiler (örneğin, etanol) tanımlaması</td>
			<td>1,50-2.2</td>
		</tr>
		<tr>
			<td>A260/A280</td>
			<td>Protein kirletici madde tanımlaması</td>
			<td>1.60-2.2</td>
		</tr>
		<tr>
			<td>Konsantrasyon</td>
			<td>DNA miktar</td>
			<td>Toplam gDNA &#62; 3ug</td>
		</tr>
	</tbody>
</table>
Tablo 2. Kalite analiz cfDNA ve gDNA periferik kan ayıklanır. CfDNA en yüksek boyutu 170Bp. olduğunu kalite kontrol örnek yıkımı ve/veya gDNA kirlenme düzeylerini belirlemek 2100 Bioanalyzer için standart bir yöntemi tarafından gerçekleştirilmesi. CfDNA ayıklama kalitesini analizini tepe şekil 1' e benzer görünmelidir. DNA miktarı artmış Not cfDNA nadir mutasyonların etkili tespiti için daha kaliteli bir kitaplıkla neden olur. En az 30 ng cfDNA (30.000 kopya) kullanmanızı öneririz.
<img alt="Table 3" src="/files/ftp_upload/56342/56342table3.jpg"> 
Tablo 3. ER-Seq bilgi analiz ve geleneksel bilgi analiz QC. Koyu gri vurgulamak ER-Seq geleneksel yöntemlere göre bir kapsama derinlik artış meydana gösterir; bir ışık gri vurgulamak yok PCR ER-Seq. yinelenen read indüklenen gösterir <a href="https://ecsource-jove-com.remotexs.ntu.edu.sg/files/ftp_upload/56342/56342table3large.jpg" target="_blank">Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.</a>
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Gen</td>
			<td>CHR</td>
			<td>Başlat</td>
			<td>Bitiş</td>
			<td>cHGVS</td>
			<td>pHGVS</td>
			<td>İşlevi</td>
			<td>caseAltIsHot</td>
			<td>ER-Seq var_freq</td>
			<td>Geleneksel var_freq</td>
		</tr>
		<tr>
			<td>TP53</td>
			<td>17</td>
			<td>7577534</td>
			<td>7577535</td>
			<td>c.746G &#62; T</td>
			<td>p.R249M</td>
			<td>Missense</td>
			<td>HighFreq</td>
			<td>0.0400</td>
			<td>0.0378</td>
		</tr>
		<tr>
			<td>EGFR</td>
			<td>7</td>
			<td>55259514</td>
			<td>55259515</td>
			<td>c.2573T &#62; G</td>
			<td>p.L858R</td>
			<td>Missense</td>
			<td>Dava</td>
			<td>0.0270</td>
			<td>0.0120</td>
		</tr>
		<tr>
			<td>ATM</td>
			<td>11</td>
			<td>108203618</td>
			<td>108203619</td>
			<td>c.7919delC</td>
			<td>p.T2640Ifs*6</td>
			<td>frameshift</td>
			<td>ND</td>
			<td>0.0169</td>
			<td>0.0180</td>
		</tr>
		<tr>
			<td>PTCH1</td>
			<td>9</td>
			<td>98221917</td>
			<td>98221918</td>
			<td>c.2851G &#62; T</td>
			<td>p.D951Y</td>
			<td>Missense</td>
			<td>ND</td>
			<td>0.0154</td>
			<td>0.0260</td>
		</tr>
		<tr>
			<td>EGFR</td>
			<td>7</td>
			<td>55249070</td>
			<td>55249071</td>
			<td>c.2369C &#62; T</td>
			<td>p.T790M</td>
			<td>Missense</td>
			<td>Dava</td>
			<td>0.0053</td>
			<td>——(0.0013)</td>
		</tr>
		<tr>
			<td>RB1</td>
			<td>13</td>
			<td>49039151</td>
			<td>49039152</td>
			<td>c.2230A &#62; T</td>
			<td>p.I744F</td>
			<td>Missense</td>
			<td>ND</td>
			<td>0. 0036</td>
			<td>——(0.0014)</td>
		</tr>
	</tbody>
</table>
Tablo 4. ER-Seq bilgi analiz arama sonucuolduğunu ve geleneksel bilgi analizi.

Watch this Scientific Journal Video about Detection of Rare Mutations in CtDNA Using Next Generation Sequencing at JoVE.com

Detection of Rare Mutations in CtDNA Using Next Generation Sequencing

Bu el yazması mutasyonlar düşük frekans ctDNA, ER-Seq. algılamak için bir teknik anlatılmaktadır Bu yöntem iki yönlü hata düzeltmesi, özel arka plan filtre ve verimli moleküler acquirement eşsiz kullanımı tarafından ayrıştırılan.

Sonraki nesil sıralama kullanarak CtDNA nadir mutasyonların tespiti

The analysis of circulating tumor DNA (ctDNA) using next-generation sequencing (NGS) has become a valuable tool for the development of clinical oncology. ...

detection-of-rare-mutations-in-ctdna-using-next-generation-sequencing

Nanyang Technological University

Research

JoVE Journal

Cancer Research

16.7K Görüntüleme.  Geneplus-Beijing Institute. Bu el yazması mutasyonlar düşük frekans ctDNA, ER-Seq. algılamak için bir teknik anlatılmaktadır Bu yöntem iki yönlü hata düzeltmesi, özel arka plan filtre ve verimli moleküler acquirement eşsiz kullanımı tarafından ayrıştırılan.

Video: Detection of Rare Mutations in CtDNA Using Next Generation Sequencing

Next Generation Sequencing for the Detection of Actionable Mutations in Solid and Liquid Tumors

As our understanding of the driver mutations necessary for initiation and progression of cancers improves, we gain critical information on how specific molecular profiles of a tumor may predict responsiveness to therapeutic agents or provide knowledge about prognosis. At our institution a tumor genotyping program was established as part of routine clinical care, screening both hematologic and solid tumors for a wide spectrum of mutations using two next-generation sequencing (NGS) panels: a custom, 33 gene hematological malignancies panel for use with peripheral blood and bone marrow, and a commercially produced solid tumor panel for use with formalin-fixed paraffin-embedded tissue that targets 47 genes commonly mutated in cancer. Our workflow includes a pathologist review of the biopsy to ensure there is adequate amount of tumor for the assay followed by customized DNA extraction is performed on the specimen. Quality control of the specimen includes steps for quantity, quality and integrity and only after the extracted DNA passes these metrics an amplicon library is generated and sequenced. The resulting data is analyzed through an in-house bioinformatics pipeline and the variants are reviewed and interpreted for pathogenicity. Here we provide a snapshot of the utility of each panel using two clinical cases to provide insight into how a well-designed NGS workflow can contribute to optimizing clinical outcomes.

This manuscript describes clinical protocols for two next-generation sequencing panels. One panel interrogates hematologic malignancies while the other panel targets genes commonly mutated in solid tumors. Molecular classification of driver mutations in human malignancies offers valuable prognostic and predictive information.

Katı ve Sıvı Tümörlerinde harekete geçirici Mutasyonlar Tespiti için Yeni Nesil Dizi

As our understanding of the driver mutations necessary for initiation and progression of cancers improves, we gain critical information on how specific ...

Kanser Araştırmaları

Using RNA-sequencing to Detect Novel Splice Variants Related to Drug Resistance in In Vitro Cancer Models

Drug resistance remains a major problem in the treatment of cancer for both hematological malignancies and solid tumors. Intrinsic or acquired resistance can be caused by a range of mechanisms, including increased drug elimination, decreased drug uptake, drug inactivation and alterations of drug targets. Recent data showed that other than by well-known genetic (mutation, amplification) and epigenetic (DNA hypermethylation, histone post-translational modification) modifications, drug resistance mechanisms might also be regulated by splicing aberrations. This is a rapidly growing field of investigation that deserves future attention in order to plan more effective therapeutic approaches. The protocol described in this paper is aimed at investigating the impact of aberrant splicing on drug resistance in solid tumors and hematological malignancies. To this goal, we analyzed the transcriptomic profiles of several in vitro models through RNA-seq and established a qRT-PCR based method to validate candidate genes. In particular, we evaluated the differential splicing of DDX5 and PKM transcripts. The aberrant splicing detected by the computational tool MATS was validated in leukemic cells, showing that different DDX5 splice variants are expressed in the parental vs. resistant cells. In these cells, we also observed a higher PKM2/PKM1 ratio, which was not detected in the Panc-1 gemcitabine-resistant counterpart compared to parental Panc-1 cells, suggesting a different mechanism of drug-resistance induced by gemcitabine exposure.

Using RNA-sequencing to Detect Novel Splice Variants Related to Drug Resistance in In Vitro Cancer Models

Here we describe a protocol aimed at investigating the impact of aberrant splicing on drug resistance in solid tumors and hematological malignancies. To this goal, we analyzed the transcriptomic profiles of parental and resistant in vitro models through RNA-seq and established a qRT-PCR based method to validate candidate genes.

İlaç Direnci İlgili Roman Splice türevlerini algılamak için RNA sıralamayı kullanarak<em&gt; İn Vitro</em&gt; Kanser Modelleri

Drug resistance remains a major problem in the treatment of cancer for both hematological malignancies and solid tumors. Intrinsic or acquired resistance ...

Development of a Human Preclinical Model of Osteoclastogenesis from Peripheral Blood Monocytes Co-cultured with Breast Cancer Cell Lines

The crosstalk between tumor cells and bone cells in the bone microenvironment is crucial to understanding the mechanism of bone metastasis formation. We developed an in vitro fully human preclinical model of a co-culture of breast cancer cells and monocytes undergoing differentiation towards osteoclasts. We optimized a model of osteoclastogenesis starting from a sample of peripheral blood collected from healthy donors. Peripheral blood mononuclear cells (PBMCs) were first separated by density gradient centrifugation, seeded at a high density and induced to differentiate by adding two growth factors (GFs): receptor activator of nuclear factor-&#954;B ligand (RANKL) and macrophage colony-stimulating factor (MCSF). The cells were left in culture for 14 days and then fixed and analyzed by downstream analysis. In osteolytic bone metastases, one of the effects of cancer cell arrival in bone is the induction of osteoclastogenesis. We thus challenged our model with co-cultures of breast cancer cells to study the differentiation power of cancer cells with respect to GFs. A straightforward way of studying cancer cell-osteoclast interaction is to perform indirect co-cultures based on the use of conditioned medium collected from breast cancer cell cultures and mixed with fresh medium. This mixture is then used to induce osteoclast differentiation. We also optimized a method of direct co-culture in which cancer cells and monocytes undergoing differentiation share the medium and exchange secreted factors. This is a significant improvement over the original indirect co-culture method as researchers can observe the reciprocal interactions of the two cell types and perform downstream analyses for both cancer cells and osteoclasts. This method enables us to study the effect of drugs on the metastatic bone microenvironment and to seed cell lines other than those derived from breast cancer. The model can also be used to study other diseases such as osteoporosis or other bone conditions.

This protocol describes development of an in vitro human preclinical model of osteoclastogenesis from peripheral blood monocytes cultured with breast cancer cell lines to mimic the cancer cell-osteoclast interaction. The model could be used to further our understanding of bone metastasis formation and improve therapeutic options.

Osteoclastogenesis periferik kan monosit kültürlü meme kanseri hücre hatları ile birlikte gelen bir insan preklinik modelinin geliştirilmesi

The crosstalk between tumor cells and bone cells in the bone microenvironment is crucial to understanding the mechanism of bone metastasis formation. We ...

Serum and Plasma Copy Number Detection Using Real-time PCR

Serum and plasma cell free DNA (cfDNA) has been shown as an informative, non-invasive source of biomarkers for cancer diagnosis, prognosis, monitoring, and prediction of treatment resistance. Starting from the hypothesis that androgen receptor (AR) gene copy number (CN) gain is a frequent event in metastatic castration resistance prostate cancer (mCRPC), we propose to analyze this event in cfDNA as a potential predictive biomarker.
We evaluated AR CN in cfDNA using 2 different real-time PCR assays and 2 reference genes (RNaseP and AGO1). DNA amount of 60 ng was used for each assay combination. AR CN gain was confirmed using Digital PCR as a more accurate method. CN variation analysis has already been demonstrated to be informative for the prediction of treatment resistance in the setting of mCRPC, but it could be useful also for other purposes in different patient settings. CN analysis on cfDNA has several advantages: it is non-invasive, rapid and easy to perform, and it starts from a small volume of serum or plasma material.

This manuscript describes the copy number variation analysis performed in serum or plasma DNA using real-time PCR approach. This method is suitable for the prediction of drug resistance in castration resistant prostate cancer patients, but it could be informative also for other diseases.

Serum ve plazma kopya sayı algılama gerçek zamanlı PCR kullanarak

Serum and plasma cell free DNA (cfDNA) has been shown as an informative, non-invasive source of biomarkers for cancer diagnosis, prognosis, monitoring, ...

An Integrated Platform for Genome-wide Mapping of Chromatin States Using High-throughput ChIP-sequencing in Tumor Tissues

Histone modifications constitute a major component of the epigenome and play important regulatory roles in determining the transcriptional status of associated loci. In addition, the presence of specific modifications has been used to determine the position and identity non-coding functional elements such as enhancers. In recent years, chromatin immunoprecipitation followed by next generation sequencing (ChIP-seq) has become a powerful tool in determining the genome-wide profiles of individual histone modifications. However, it has become increasingly clear that the combinatorial patterns of chromatin modifications, referred to as Chromatin States, determine the identity and nature of the associated genomic locus. Therefore, workflows consisting of robust high-throughput (HT) methodologies for profiling a number of histone modification marks, as well as computational analyses pipelines capable of handling myriads of ChIP-Seq profiling datasets, are needed for comprehensive determination of epigenomic states in large number of samples. The HT-ChIP-Seq workflow presented here consists of two modules: 1) an experimental protocol for profiling several histone modifications from small amounts of tumor samples and cell lines in a 96-well format; and 2) a computational data analysis pipeline that combines existing tools to compute both individual mark occupancy and combinatorial chromatin state patterns. Together, these two modules facilitate easy processing of hundreds of ChIP-Seq samples in a fast and efficient manner. The workflow presented here is used to derive chromatin state patterns from 6 histone mark profiles in melanoma tumors and cell lines. Overall, we present a comprehensive ChIP-seq workflow that can be applied to dozens of human tumor samples and cancer cell lines to determine epigenomic aberrations in various malignancies.

Here, we describe an optimized high-throughput ChIP-sequencing protocol and computational analyses pipeline for the determination of genome-wide chromatin state patterns from frozen tumor tissues and cell lines.

Yüksek işlem hacmi ChIP-sıralama tümör dokularda kullanarak genom geniş eşleme Kromatin devletler için entegre bir Platform

Histone modifications constitute a major component of the epigenome and play important regulatory roles in determining the transcriptional status of ...

Detection of a CDH1 Rare Transcript Variant in Fresh-frozen Gastric Cancer Tissues by Chip-based Digital PCR

CDH1a, a non-canonical transcript of the CDH1 gene, has been found to be expressed in some gastric cancer (GC) cell lines, whereas it is absent in normal gastric mucosa. Recently, we detected CDH1a transcript variant in fresh-frozen tumor tissues obtained from patients with GC. The expression of this variant in tissue samples was investigated by the chip-based digital PCR (dPCR) approach presented here. dPCR offers the potential for an accurate, robust, and highly sensitive measurement of nucleic acids and is increasingly utilized for many applications in different fields. dPCR is capable of detecting rare targets; in addition, dPCR offers the possibility for absolute and precise quantification of nucleic acids without the need for calibrators and standard curves. In fact, the reaction partitioning enriches the target from the background, which improves amplification efficiency and tolerance to inhibitors. Such characteristics make dPCR an optimal tool for the detection of the CDH1a rare transcript.

Detection of a CDH1 Rare Transcript Variant in Fresh-frozen Gastric Cancer Tissues by Chip-based Digital PCR

The manuscript describes a chip-based digital PCR assay to detect a rare CDH1 transcript variant (CDH1a) in fresh-frozen normal and tumor tissues obtained from patients with gastric cancer.

Bir CDH1 nadir transkript değişken mide kanseri taze donmuş dokularda çip tabanlı dijital PCR tarafından algılanması

CDH1a, a non-canonical transcript of the CDH1 gene, has been found to be expressed in some gastric cancer (GC) cell lines, whereas it is absent in normal ...

Oncogenic Gene Fusion Detection Using Anchored Multiplex Polymerase Chain Reaction Followed by Next Generation Sequencing

Gene fusions frequently contribute to the oncogenic phenotype of many different types of cancer. Additionally, the presence of certain fusions in samples from cancer patients often directly influences diagnosis, prognosis, and/or therapy selection. As a result, the accurate detection of gene fusions has become a critical component of clinical management for many disease types. Until recently, clinical gene fusion detection was predominantly accomplished through the use of single-gene assays. However, the ever-growing list of gene fusions with clinical significance has created a need for assessing fusion status of multiple genes simultaneously. Next generation sequencing (NGS)-based testing has met this demand through the ability to sequence nucleic acid in massively parallel fashion. Multiple NGS-based approaches that employ different strategies for gene target enrichment are now available for use in clinical molecular diagnostics, each with its own strengths and weaknesses. This article describes the use of anchored multiplex PCR (AMP)-based target enrichment and library preparation followed by NGS to assess for gene fusions in clinical solid tumor specimens. AMP is unique among amplicon-based enrichment approaches in that it identifies gene fusions regardless of the identity of the fusion partner. Detailed here are both the wet-bench and data analysis steps that ensure accurate gene fusion detection from clinical samples.

This article details the use of an anchored multiplex polymerase chain reaction-based library preparation kit followed by next-generation sequencing to assess for oncogenic gene fusions in clinical solid tumor samples. Both wet-bench and data analysis steps are described.

Yeni nesil sıralamanın ardından bağlantılı Multiplex polimeraz zincir reaksiyonu kullanılarak Onkojenik gen füzyon tespiti

Gene fusions frequently contribute to the oncogenic phenotype of many different types of cancer. Additionally, the presence of certain fusions in samples ...

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Machine learning (ML) algorithms permit the integration of different features into a model to perform classification or regression tasks with an accuracy exceeding its constituents. This protocol describes the development of an ML algorithm to predict the growth of breast cancer bone macrometastases in a rat model before any abnormalities are observable with standard imaging methods. Such an algorithm can facilitate the detection of early metastatic disease (i.e., micrometastasis) that is regularly missed during staging examinations.
The applied metastasis model is site-specific, meaning that the rats develop metastases exclusively in their right hind leg. The model&#8217;s tumor-take rate is 60%&#8211;80%, with macrometastases becoming visible in magnetic resonance imaging (MRI) and positron emission tomography/computed tomography (PET/CT) in a subset of animals 30 days after induction, whereas a second subset of animals exhibit no tumor growth.
Starting from image examinations acquired at an earlier time point, this protocol describes the extraction of features that indicate tissue vascularization detected by MRI, glucose metabolism by PET/CT, and the subsequent determination of the most relevant features for the prediction of macrometastatic disease. These features are then fed into a model-averaged neural network (avNNet) to classify the animals into one of two groups: one that will develop metastases and the other that will not develop any tumors. The protocol also describes the calculation of standard diagnostic parameters, such as overall accuracy, sensitivity, specificity, negative/positive predictive values, likelihood ratios, and the development of a receiver operating characteristic. An advantage of the proposed protocol is its flexibility, as it can be easily adapted to train a plethora of different ML algorithms with adjustable combinations of an unlimited number of features. Moreover, it can be used to analyze different problems in oncology, infection, and inflammation.

This protocol was designed to train a machine learning algorithm to use a combination of imaging parameters derived from magnetic resonance imaging (MRI) and positron emission tomography/computed tomography (PET/CT) in a rat model of breast cancer bone metastases to detect early metastatic disease and predict subsequent progression to macrometastases.

Deneysel Bir Sıçan Modelinde Kemik Metastazlarının Erken Teşhisi İçin Makine Öğrenme Algoritmaları

Machine learning (ML) algorithms permit the integration of different features into a model to perform classification or regression tasks with an accuracy ...

A Rapid Screening Workflow to Identify Potential Combination Therapy for GBM using Patient-Derived Glioma Stem Cells

The glioma stem cells (GSCs) are a small fraction of cancer cells which play essential roles in tumor initiation, angiogenesis, and drug resistance in glioblastoma (GBM), the most prevalent and devastating primary brain tumor. The presence of GSCs makes the GBM very refractory to most of individual targeted agents, so high-throughput screening methods are required to identify potential effective combination therapeutics. The protocol describes a simple workflow to enable rapid screening for potential combination therapy with synergistic interaction. The general steps of this workflow consist of establishing luciferase-tagged GSCs, preparing matrigel coated plates, combination drug screening, analyzing, and validating the results.

Hasta Kaynaklı Glioma Kök Hücreleri Kullanarak GBM için Potansiyel Kombinasyon Tedavisini Belirlemek için Hızlı Tarama İş Akışı

The glioma stem cells (GSCs) are a small fraction of cancer cells which play essential roles in tumor initiation, angiogenesis, and drug resistance in ...

Automated Dissection Protocol for Tumor Enrichment in Low Tumor Content Tissues

Tumor enrichment in low tumor content tissues, those below 20% tumor content depending on the method, is required to generate quality data reproducibly with many downstream assays such as next generation sequencing. Automated tissue dissection is a new methodology that automates and improves tumor enrichment in these common, low tumor content tissues by decreasing the user-dependent imprecision of traditional macro-dissection and time, cost, and expertise limitations of laser capture microdissection by using digital image annotation overlay onto unstained slides. Here, digital hematoxylin and eosin (H&#38;E) annotations are used to target small tumor areas using a blade that is 250 &#181;m2 in diameter in unstained formalin fixed paraffin embedded (FFPE) or fresh frozen sections up to 20 &#181;m in thickness for automated tumor enrichment prior to nucleic acid extraction and whole exome sequencing (WES). Automated dissection can harvest annotated regions in low tumor content tissues from single or multiple sections for nucleic acid extraction. It also allows for capture of extensive pre- and post-harvest collection metrics while improving accuracy, reproducibility, and increasing throughput with utilization of fewer slides. The described protocol enables digital annotation with automated dissection on animal and/or human FFPE or fresh frozen tissues with low tumor content and could also be used for any region of interest enrichment to boost adequacy for downstream sequencing applications in clinical or research workflows.

Digital annotation with automated tissue dissection provides an innovative approach to enriching tumor in low tumor content cases and is adaptable to both paraffin and frozen tissue types. The described workflow improves accuracy, reproducibility and throughput and could be applied to both research and clinical settings.

Düşük Tümör İçeriği Dokularında Tümör Zenginleştirme için Otomatik Diseksiyon Protokolü

Tumor enrichment in low tumor content tissues, those below 20% tumor content depending on the method, is required to generate quality data reproducibly ...