Cancer Cell | 泛癌分析相关蛋白质基因组学数据与资源

CPTAC团队已经创建了多个用于可视化和探索泛癌症蛋白质组学数据的Web门户（图4）。每个网站都从数据汇编中提取了适合泛癌症分析的数据集。

图4 CPTAC数据的Web门户

癌症基因组研究发现了许多可能导致异常蛋白质的基因组改变，这些异常蛋白质是癌症生物标志物、药物靶标和新抗原的有希望的候选者。在蛋白质水平上验证它们的表达是将这些发现转化为临床的关键一步。

LinkedOmics（http://www.linkedomics.org）是一个数据分析门户，它允许使用来自TCGA和CPTAC的癌症多组学数据来表征任何感兴趣的临床或分子特征（例如生存率、BRAF_V600E突变、miR200c表达或CHEK2-S422磷酸化）。团队现在为LinkedOmics中的所有CPTAC队列提供本文所述的全癌症协调数据集。对于每项CPTAC研究，数据库存储了超过500,000个属性的数据，包括临床属性、位点和基因水平的突变、区域和基因水平的拷贝数变异、位点和基因水平的甲基化、mRNA表达、miRNA表达、蛋白质表达以及位点和蛋白质水平的PTM。使用三个分析模块（包括LinkFinder、LinkCompare和LinkInterpretor），可以挖掘这些数据以揭示遗传改变的后果、描述基因和PTM的功能以及揭示癌症表型的分子基础。

LinkedOmics中的即时、用户定义的数据查询为分析CPTAC数据提供了高度的灵活性，但即时执行数据分析非常耗时，并且整合和共同可视化来自多种癌症类型和多种组学数据类型的结果仍然具有挑战性。为了应对这些挑战，团队进一步开发了LinkedOmicsKB，这是一个新的知识门户，它使单个基因和表型的预计算结果可以通过单个查询轻松获得。查询基因或表型的所有结果都显示在单个页面上，并具有用户友好的可视化功能，便于理解。知识门户可https://kb.linkedomics.org上找到。

PTMcosmos是一个交互式网络门户，旨在对人类的PTM进行分类和可视化。作为蛋白质活性的关键调节器，PTM在了解癌症和失调的细胞状态方面发挥着至关重要的作用。所有CPTAC研究中检测到的PTM位点都使用蛋白质序列进行协调。来自UniProt审查的蛋白质组，允许整合来自许多成熟数据库的大量注释，包括UniProt知识库、PhosphoSitePlus和蛋白质3D结构。

总的来说，研究协调了210,112个PTM位点并用11,265篇出版物对其进行注释。此外，为了研究癌症中发现的基因改变与空间上接近的PTM之间的关系，团队纳入了在CPTAC和TCGA样本中检测到的癌症体细胞突变。最后，团队开发了交互式可视化工具，让研究人员能够探索有关PTM位点的现有文献、肿瘤和正常样本之间的丰度差异以及蛋白质结构上的PTM突变。PTMcosmos门户网站在https://ptmcosmos.wustl.edu/上公开。

团队开发了一个Web应用程序，用于访问泛癌症队列中的通路富集分数。虽然之前的ProTrack应用程序允许用户可视化单个癌症的标准化原始数据，但ProTrackPath泛癌症门户网站提供了跨癌症类型的通路富集分数，这些分数是通过单个样本基因集富集分析（ssGSEA）计算得出的。用户指定一个通路数据库，例如Hallmark、KEGG、或Reactome，然后选择一组要可视化的通路。然后生成一个交互式热图，用户可以通过根据任何给定的轨迹进行排序或打开和关闭分类变量来自定义该热图。此外，门户网站还包括一个示例仪表板视图，可用于查看临床特征。这允许用户以条形图的形式探索癌症类型的分布以及各种人口统计和临床特征。用户可以通过切换每个条形图的交互式图例中的功能来过滤样本，然后用他们自定义生成的队列填充热图。该门户网站向公众开放，网址为http://pancan.cptac-dataview.org/。

N连接糖基化是最丰富的蛋白质修饰之一，与癌症的疾病进展高度相关。随着实验和计算方法的进步，糖蛋白质组学提供了对糖蛋白糖基位点特异性糖基化的全面表征，并对其在癌症中的生物学功能提供了宝贵的见解。然而，仍然缺乏对来自不同癌症类型的糖蛋白质组学数据的大规模表征以用于泛癌症研究。研究鉴定了完整的N连接糖肽以创建一个名为N-GlycositeAtlas 2.0的数据库资源，它包含来自CPTAC的2,000多种糖蛋白的90,629多个完整的N连接糖肽（代表5,665个含N连接糖基位点的肽）。NGlycositeAtlas数据库和一致的MS/MS光谱可在https://www.biomarkercenter.org/nglycositeatlas上找到。

随着分子测量技术的快速发展，癌症数据集已变得多模态化。CPTAC创建了丰富的蛋白质组学数据集，用于测量肿瘤和邻近正常组织（NAT）内的DNA、RNA和蛋白质分子。这种数据多样性记录了细胞状态的综合图谱，为研究人员提供了了解导致信号网络失调的DNA突变事件与最终细胞表型之间的微妙调控相互作用的机会。这个庞大而全面的数据集在数据集成和解释方面提出了一些挑战。在本节中，文章概述了蛋白质组学数据再利用和再分析的几个重要注意事项。

蛋白质组学数据集中的第一个挑战是确保标识符协调一致。以下示例展示了这一挑战。由于可变剪接，许多基因具有多种蛋白质异构体，包括癌症中剪接模式的显著变化。每种异构体可能都有独特的功能，将所有数据组合成一个“基因水平”测量可能会掩盖这些差异。假设mRNA数据识别两个不同的转录本。因此，转录组学数据表报告两个数据库标识符，每个标识符都有单独的定量值。如果蛋白质组学数据没有识别出区分两种异构体的肽，应该使用哪个蛋白质标识符？应该将蛋白质丰度与哪个转录本数据进行比较？作为正交数据类型，蛋白质组学和转录组学经常识别不同的异构体。这种情况在整合PTM、突变或表观遗传学时同样复杂。如果观察到磷酸化或编码突变，它应该与哪种蛋白质异构体相关？与甲基化数据相比，应该使用哪种转录本/蛋白质？将PTM和编码突变映射到不同的蛋白质异构体将使研究体细胞突变对PTM的影响变得困难。

因此，对于本文介绍的大型多组学协调任务，研究团队建议在报告分析方法时要仔细考虑并保持透明。作为缓解上述挑战的潜在解决方案，建议如下：（1）使用相同版本的基因组组装和基因注释来处理来自所有组学平台和所有癌症类型的数据；（2）当异构体水平分析不切实际时报告基因水平量化；（3）当需要代表性异构体选择但数据与异构体无关时，应用一致且透明的代表性异构体选择规则，例如磷酸位点定位注释。

随着细胞和组织的分子表征变得更加完整，第二个挑战是接受完整的蛋白质组学全景。研究团队强调每种数据类型都具有独特的价值，有助于阐明复杂的表型。例如，蛋白质组和转录组是不同的，每个都提供了对细胞过程的有意义的观察。大量研究表明，mRNA和蛋白质丰度的相关性通常比预期的要差，这是翻译和翻译后调控的结果。由于癌症通常以调节功能障碍为特征，因此最好通过结合转录组学和蛋白质组学来探索这种功能障碍的根源。同样，最好通过结合基因组学和磷酸化蛋白质组学来观察激酶体细胞突变的结果。

尽管研究付出了巨大努力来协调不同癌症研究中的多组学数据集，但团队想强调的是，由于技术因素（因为不同癌症类型的组学实验是由不同的实验室和/或使用不同的平台进行的）和生物因素（因为不同的器官和癌症类型具有本质上不同的生物学），不同癌症类型之间的“批次”效应仍可能存在于泛癌症数据集中。因此，在分析泛癌症数据时，需要仔细调整不同癌症类型之间的这些批次效应。例如，在拟合回归模型以研究分子丰度对其他属性的依赖性时，可以将癌症类型指标作为协变量，以解释特定于癌症类型的分子平均值。其他分析技术（如荟萃分析框架）也可用于执行泛癌症水平推断。

封面来源：Freepik