Визуализация результатов анализа структуры метилирования ДНК как инструмент контроля качества молекулярной классификации опухолей ЦНС

Ввиду высокой значимости оценки структуры метилирования генома для достоверного определения классов опухолей ЦНС, анализ ДНК с использованием специальных микрочипов постепенно входит в рутинную практику патоморфологической диагностики. Согласно новой версии классификации опухолей ЦНС ВОЗ (5-е издание), в морфологический диагноз рекомендовано включать результаты молекулярно-генетических исследований и учитывать современные представления о профилях метилирования ДНК, характерных для различных классов опухолей.

Для интерпретации данных метилирования ДНК, извлекаемых из биопсийного материала, созданы автоматизированные платформы-классификаторы опухолей на основе алгоритмов машинного обучения. Будучи полезными во многих случаях, эти классификаторы также имеют ограничения и не всегда выдают заключение о метиляционном классе опухоли из-за гетерогенности образца или отсутствия похожих образцов в контрольной группе. Преодолеть эти ограничения можно, внедряя дополнительные графические методы анализа биологических данных, позволяющие отслеживать сходство между метиляционными профилями опухолей и свидетельствовать в пользу определённого диагноза.

В данной работе мы демонстрируем разработанный нами интерактивный инструмент для визуализации данных метилирования ДНК, дающий возможность отобразить степень сходства и распределение по группам для всех образцов опухолей ЦНС, имеющихся в нашей базе данных (n=470), а также сопоставлять гистологические заключения с молекулярными классами. Описанный подход может послужить дополнительным источником информации в работе врача-морфолога и призван повысить качество диагностики в тех случаях, когда иные методы дают неполную или противоречивую картину.

1. Azzarelli R, Simons BD, Philpott A. The developmental origin of brain tumours: a cellular and molecular framework. Development. 2018;145(10): dev162693. Published 2018 May 14. https://doi.org/10.1242/dev.162693

2. Siegel RL , Miller KD, Jemal A. Cancer statistics, 2020. CA Cancer J Clin. 2020;70(1):7–30. https://doi.org/10.3322/caac.21590

3. Capper D, Jones DTW, Sill M, et al. DNA methylation-based classification of central nervous system tumours. Nature. 2018;555(7697):469–474. https://doi.org/10.1038/nature26000

4. Capper D, Stichel D, Sahm F, et al. Practical implementation of DNA methylation and copy-number-based CNS tumor diagnostics: the Heidelberg experience. Acta Neuropathol. 2018;136(2):181–210. https://doi.org/10.1007/s00401–018–1879-y

5. Louis DN, Perry A, Wesseling P, et al. The 2021 W HO Classification of Tumors of the Central Nervous System: a summary. Neuro Oncol. 2021;23(8):1231–1251. https://doi.org/10.1093/neuonc/noab106

6. Smith HL, Wadhwani N, Horbinski C. M ajor Features of the 2021 W HO Classification of CNS Tumors [published online ahead of print, 2022 May 16]. Neurotherapeutics. 2022;10.1007/s13311‑022‑01249‑0. https://doi.org/10.1007/s13311‑022‑01249‑0

7. Рыжова М. В., Галстян С. А., Телышева Е. Н. Значение оценки метилирования ДНК в морфологической диагностике опухолей ЦНС. Архив патологии. 2022;84(3):65–75. https://doi.org/10.17116/patol20228403165

8. Moore LD , Le T, Fan G. DNA methylation and its basic function. Neuropsychopharmacology. 2013;38(1):23–38. https://doi.org/10.1038/npp.2012.112

9. Kristensen BW, Priesterbach-Ackley LP , Petersen JK, Wesseling P. Molecular pathology of tumors of the central nervous system. Ann Oncol. 2019;30(8):1265–1278. https://doi.org/10.1093/annonc/mdz164

10. Sang F. Bioinformatics Analysis of DNA Methylation Through Bisulfite Sequencing Data. Methods Mol Biol. 2021;2198:441–450. https://doi.org/10.1007/978‑1‑0716‑0876‑0_32

11. Mansell G, Gorrie-Stone TJ, Bao Y, et al. Guidance for DNA methylation studies: statistical insights from the Illumina EP IC array. BMC Genomics. 2019;20(1):366. https://doi.org/10.1186/s12864‑019‑5761‑7

12. Рыжова М. В., Телышева Е. Н., Шайхаев Е. Г., Старовойтов Д. В., Котельникова А. О., Галстян С. А., Оконечников К. В. Современные диагностические возможности молекулярного исследования опухолей мозга в Центре нейрохирургии им. акад. Н. Н. Бурденко. Вопросы нейрохирургии имени Н. Н. Бурденко. 2021;85(6):98–101. https://doi.org/10.17116/neiro20218506198

13. van der Maaten L . J.P. and Hinton G . E . Visualizing High-Dimensional Data Using t-SNE. Journal of Machine Learning Research 9(Nov):2579–2605, 2008. https://lvdmaaten.github.io/publications/papers/JMLR_2008.pdf

14. McInnes, L., Healy, J., Melville J. UMAP : Uniform Manifold Approximation and Projection for Dimension Reduction, ArXiv e-prints (2018). arXiv:1802.03426v3

15. Huang H, Wang Y, Rudin C, Browne EP . Towards a comprehensive evaluation of dimension reduction methods for transcriptomic data visualization. Commun Biol. 2022;5(1):719. Published 2022 Jul 19. https://doi.org/10.1038/s42003–022–03628-x

16. Aryee MJ, Jaffe AE , Corrada-Bravo H, et al. Minfi: a flexible and comprehensive Bioconductor package for the analysis of Infinium DNA methylation microarrays. Bioinformatics. 2014;30(10):1363–1369. https://doi.org/10.1093/bioinformatics/btu049