HGSOC细胞的时间转录多样性
为了研究卵巢癌细胞对化疗的遗传和转录异质性，我们从9例HGSOC患者中获得了25例恶性腹水或胸腔积液。1A和补充数据1–3)。在整个治疗过程中采集了样本，在手术时或治疗开始之前，对9名患者中的5名患者进行了初步采样，其余的病例在早期治疗。在最初的破伤风手术后，患者接受辅助铂和紫杉烷为基础的化疗作为一线治疗，然后在他们的疾病发展过程中进行三至七行化疗(图一)。1A和补充数据1–3)。这些样品被处理，以分离细胞核或整个细胞进行scRNA-seq，WGS，并建立体外细胞株进行代谢分析(图一)。1B和“方法”)。此外，我们还获得了8个治疗前和6个治疗后恶性腹水或胸膜样本，作为scrna-seq分析的验证队列(补充数据)。4).
图1：纵向队列样本采集和scRNA-seq分析。a包括在研究中的病人的时间表。灰色时间线显示天数×100，0指进行初次手术的日期。红线表示CA-125水平，而沿时间线的三角形则指示获取恶性液体样本的时间点。患者时间线下方的彩色条形图表示接受了药物治疗。b对恶性液标本进行去免疫和凋亡细胞处理，并进行全基因组测序、体外代谢试验和scRNA-seq。这个图形面板的一部分是使用BioRender.com创建的。c归一化后，采用iCell8(患者1-3)或10X(患者4-9)scRNA-seq平台对整合的高质量细胞进行均匀流形近似和投影(UMAP)和聚类。这些数字表示在无监督聚类之后得到的聚类。右边的堆叠条形图显示了不同预测细胞类型在簇间的分布情况，以及在每个簇内分布的样本的多样性。UMAP上的颜色表示单个单元格的单元格类型分类。
我们用scRNA-seq分析了~36K高质量细胞或细胞核的转录序列。Scrna-seq数据的初步聚类导致病人分离细胞(补充图)1)。批次校正后的典型相关分析(CCA)23，无监督聚类导致8个聚类代表单个细胞类型，而不是病人身份(图1)。1C)。基于引用的单元格类型预测24显示主要为恶性上皮细胞的大簇(0-2和7)，经上皮标记物的表达证实。埃帕姆)和肿瘤生物标志物MUC 16(CA-125)(补充数字)2)。尽管有以前的免疫缺陷，我们也检测到较小但明显的免疫细胞簇，包括单核细胞和巨噬细胞(第3组)，CD4。+/CD8+T细胞(第4组)、成纤维细胞(第5组)和自然杀伤(NK)细胞(第6组)。总之，~27K细胞被鉴定为恶性上皮细胞，分布在多个簇中，反映了种群内的异质性(图一)。1C)。我们分析了随时间变化的表达模式，发现很少有差异表达的基因在患者之间共同存在(补充图)3)。这种模式也反映了scrna-seq数据的稀疏性，导致在高维基因表达空间中观察到的患者之间缺乏一致的变化。因此，我们接下来采用一种方法在低维空间投射scRNA-seq数据，并研究关键表型的演变。
卵巢癌细胞的转录进化与核心生物学任务相关
为了研究进展性hgsoc的转录异质性，我们应用了一种解释肿瘤演化和任务使用的方法来提高适应度。21。我们的目标是确定在HGSOC中发现了多少原型表型，以及这些任务是如何随着患者接受治疗和抗药性而进化的。我们使用了一种Pareto任务推理方法，该方法依赖于主凸壳算法来识别核心原型。25。简单地说，该方法试图识别一个能够最好地包含基因表达数据的主成分投影的多面体。这个多面体的顶点被推断为核心原型。分析仅限于使用10X平台(患者4-9)获得的scRNA-seq谱，有足够数量的恶性上皮细胞可供投射到原型上。为了确定能够最好地封装数据的多边形的形状，我们安装了从3到8个不等的多个顶点(补充图)。4)。模型所解释的方差的增益最小，超过3个原型，表明一个三角形就足以包含数据。此外，模型所解释的任何方差的增加都是以顶点位置的不确定性增加和多边形体积与凸包体积比的降低为代价的。t-比率)确认三顶点三角形可靠地封装了数据(如图所示)。2A).
图2：研究生物任务随时间变化的原型分析。a整合纵向队列中的细胞投射在scRNA-seq数据的前两个主成分上。使用Pareto任务推理算法识别的每个顶点表示一个专门处理特定生物任务的原型。单个单元格被最大原型评分(标准化和反向欧几里得距离到顶点)着色，显示接近最近的原型。b热图显示与每个原型相关的不同特征路径的组-拉索系数的分层聚类。这三个彩色盒子显示了三个相关表型的层次簇，显示了与每个原型相关的生物任务的同一性。确定原型的主要途径以蓝色表示，绿色盒表示DNA损伤修复(DDR)，红色盒表示细胞防御反应(CDR)，蓝色盒表示新陈代谢和增殖(MAP)原型。嵌条图显示了群套索系数(Y与三个原型对应的关键基因(X-轴)从纵向队列患者的scRNA-seq数据。单基因系数的源数据作为源数据文件。c采用多任务学习方法对三种主要的生物制品任务进行了预测。专家细胞根据最接近的原型(第95百分位数中的细胞)着色，而所有三种原型的远端非专家细胞则以灰色显示。d整合的28K高质量细胞(包括21K恶性上皮细胞)的维数降低(UMAP)投影和聚类，从早期/晚期(治疗前/治疗后)队列使用10×平台。患者10~17例接受治疗，18~24例接受多行治疗.主要预测的细胞类型注释，以显示与恶性上皮细胞，免疫细胞和成纤维细胞的单独簇。e原型被注解在早期和晚期队列的主成分预测上。每个队列中的样本分别显示出来，以清楚地显示原型中的种群变化。f群的层次聚类-原型的拉索系数确定的早期和晚期队列患者，主要路径定义原型的蓝色表示。右边的镶嵌条形图显示组-拉索系数(Y-轴)用于定义与三种原型相关的表型的关键通路(X-轴)。
为了确定与每个原型相关的不同生物任务，我们实现了一种基于群学习的多任务学习方法--LASSO(详见“方法”)，该方法将特征标记通路和基因应用于位于每个原型顶点的细胞。具有路径系数的层次聚类分析显示了与原型相关联的三个不同的聚类(如图所示)。2B和补充数字4和5)。三大任务与这些原型相关，包括新陈代谢和增殖(MAP)、细胞防御反应(CDR)和DNA损伤修复(DDR)(图)。2C)。MAP原型的定义是基于多种关键代谢表型的富集，包括糖酵解、氧化磷酸化以及与细胞周期和e2f基因、g2m检查点基因、上皮-间充质转换(EMT)和MYC靶点相关的增殖途径(补充图)。5和6)。表示增殖的关键基因的关联(MKI 67)和糖酵解(GAPDH)26支持这种原型的分类。Cdr原型是基于干扰素-γ反应途径的富集而定义的。27以及与CDR激活相关的多条下游通路和基因的富集，包括典型的IL-6/JAK/STAT 3。28干扰素-γ信号通路，以及细胞因子和免疫原信号基因.最后，基于细胞凋亡、p53和TNF-α相关基因的富集，推导出DDR原型。29信号通路以及关键基因，如自动取款机30和CHEK 131。采用LASSO方法对原型进行分类，将几条路径的系数缩小到零；因此，我们还用回归分析方法评估了个体信号通路对每个原型的贡献。我们分析了单个细胞中KEGG通路富集分数与所有三个样本的原型分数之间的关系，所有细胞都在补充数据中列出了它们之间的关系。5。第二种正交醇分析方法揭示了一致的结果。MAP原型的分类得到正相关(阳性系数和错误发现率(FDR)<0.05)与细胞周期、DNA复制、糖酵解和氧化磷酸化等关键信号途径富集的支持。CDR原型与NK细胞介导的细胞毒性、TLR受体信号、视黄酸诱导基因I类受体信号、Nod-I(核苷酸结合寡聚化Ⅰ)样受体信号、T/B细胞受体信号等主要反应途径呈正相关。有趣的是，CDR原型评分也与糖酵解和氧化磷酸化代谢途径呈正相关，但与细胞周期和DNA复制所指示的增殖无关，这表明CDR细胞中这两种表型的分离，也支持了这种细胞状态与MAP的分离分类。此外，与LASSO分析中CDR原型中PI3K/MTOR和WNT通路的分类相似，CDR细胞再次与KEGGMAPK和WNT信号通路相关，提示这些通路的激活有助于CDR原型的形成。
在单个细胞中，促成MAP原型的关键通路(补充图)7A)正相关(Pearson‘s相关系数>0，FDR<0.05)(补充数)7b)，根据细胞周期状态分类的细胞亚群之间存在细微差异(补充图)7C)和病人之间的时间(补充数字)7D，E)。例如，与预期的G2M细胞相比，MAP细胞在S和G1细胞中具有更强的代谢活性。MAP表型在一段时间内基本一致，在特定患者中观察到一些显著的变化，如患者5的糖酵解减少，患者8的糖酵解和氧化磷酸化增加。导致CDR通路的关键通路也高度相关(Pearson‘s相关系数>0，FDR<0.05)(补充图)8A)，随着时间的推移，在特定患者中观察到了一些差异(补充数字)8B)。特别是，患者5和9随着时间的推移，多免疫应答途径的富集减少。
我们还对8个不匹配的治疗前和治疗后的6个恶性腹水或胸腔积液样本的独立验证队列进行了原型分析。所有的治疗前样本都来自治疗-天真的病人。治疗后病人平均接受五种治疗，包括化疗和靶向治疗(补充表)。4)。早期(治疗前)/晚期(治疗后)队列中细胞的维数降低和聚集，导致上皮来源的大恶性细胞簇和免疫细胞和成纤维细胞簇的缩小(如图所示)。二维空间)，由个别标记的表达所证实(补充数字)9)。与初始纵向队列一样，我们对验证队列样本进行了Pareto任务推理分析，揭示了早期和晚期队列的三个主要原型(图)。2E和补充数字10)。根据每个原型中特定丰富的关键表型，我们证实验证队列中的原型也对应于map、DDR和CDR(图)。2F和补充数字11).
接下来，我们从纵向队列中解析出每个患者的scRNA-seq图谱，从而证实了在整合的scRNA-seq数据中检测到的三个原型的存在。将多个顶点与一系列顶点进行比较确认，一个三顶点的多面体再一次足以包含每个病人的完整数据(补充数字)。12)。与这三个集群相关的生物表型与集成数据集中识别的原型相关的表型是一致的，当为每个患者分别执行时(图)。3A，b和补充数字13)。重要的是，这些分析表明，这三个原型是所有HGSOC肿瘤的共同特征，尽管其比例随时间而不同。
图3：个体患者的原型进化。a组的分层聚类-为每个纵向队列病人确定的样本的拉索系数，跨越所有时间点。b所有样本的路径评分与三个主要聚类之间的相关图用彩色盒表示。定义了与集成数据集中的原型相关的生物表型的关键路径显示在层次聚类和相关图上。c图显示每个病人的任务专家人数的时间变化。这三项主要任务都有其受人尊敬的缩写(DDRDNA-损伤修复、MAP代谢和增殖以及CDR细胞防御反应)。
然后，我们评估了专家细胞的数量变化模式，定义为接近顶点的细胞，代表我们最初的病人队列治疗过程中的关键原型之一(MAP、CDR或DDR)(如图所示)。3C和补充数据6)。在大多数时间点上，肿瘤细胞在三个主要原型中的每一个都有专一的存在，五个病人中有三个在MAP或CDR专家方面都有优势。在病人4的情况下，这三个原型都出现在三个时间点。在第一时间点，MAP是主要原型(42%)，在最后一个时间点，大多数细胞专一于CDR(35%)或MAP(24%)。MAP原型在第1和第3时间的比例高于时间2，这与患者在第2时间进行治疗时CA-125水平的降低相吻合(图2)。1A)。患者5的相对比例没有随着时间的变化而变化，在最后一个时间点地图仍然是关键原型(46%)。患者6的MAP原型富集模式与CA-125负荷相似，在时间1(30%)和时间3(32%)水平最高，而时间2(11%)最高。在病人7的病例中，CDR在第二时间点出现为核心原型(81%)。虽然病人7的两个样本是在超过3年的时间间隔内收集的，但与其他病人的晚期时间点相比，CA-125的水平相对较低(补充资料)。3)，从而解释了在这个病人中观察到的地图专家的特殊模式。在最后一个时间点，患者8的原型以非专家细胞为主(78%)。然而，这个病人也显示地图专家的比例在第一个时间点和最后一个时间点之间从2%增加到5%，其中地图专家的比例最高(16%)，与这个患者在第二时间的最高CA-125水平相吻合(图2)。1A和补充数据3)。在病人9的病例中，地图专家的比例随着时间的推移从9%逐步上升到22%，再次遵循CA-125水平。因此，从scrna-seq数据导出的地图原型的变化模式与肿瘤标记物的水平随着时间的推移很好地吻合(补充图)。14).
我们还比较了原型专家在单个细胞恶性细胞转录簇中的总体分布及其随时间的分布(补充图)。15A，B)。每个专家群体与一个不同的转录簇联系在一起，从6个总簇(补充图15A，左下角UMAP)。CDR专家主要与恶性细胞组0相关，DDR专家与群组1相关，MAP专家与组2(附图)相关。15B(左)第3、4、5组为小团簇，细胞数较少，在时间1或时间2时即出现(附图15B，右准绳图)。与其他原型相比，第一时间组2和地图专家出现的比例最低，这表明组2/地图专家是在进展过程中获得的(补充图)。15B，右条形图)。
随着时间的推移，专科医生在病人中的比例发生了变化。具体来说，地图与CDR原型的比例呈极强的负相关(Pearson‘s相关性=−0.95，R2=0.9)(补充数字15C)。原型之间的这一相对变化与患者的整体存活有关(第一次手术后的死亡时间)。我们发现，患者在最终时间点的地图专家比例与总体生存率呈负相关，更多的地图专家会导致更糟糕的结果(补充图)。15D)。虽然这种相关性在这个小样本中没有统计学意义(P=0.1)，观测到的效应大小(Pearson‘s相关性=−0.69，R2(=0.48)需要在较大的样本中进行验证，以评估临床意义。
与原代癌细胞相比，晚期耐药hgsoc癌的代谢和增殖原型更为丰富。
接下来，我们比较了未配对治疗中的专家群体--天真的和治疗后的验证队列。Cdr专家在所有8种治疗中最常见--天真患者(平均33%)，而MAP专家在8种治疗中最不常见(平均9%)。4A和补充数据6)。相比之下，在治疗后的6名患者中，有3名是地图专家的主要原型(平均22%)。这反映了在处理后样本中向地图原型的重大转变(P=0.008)，而cdr原型在治疗后样本中显著下降(P=1.5×10−6)(图1.4B)。CDR专家的急剧减少和治疗后验证队列中MAP专家的增加表明，多种化疗路线也可能促成了这一转变。
图4：代谢能力的原型转换和实验验证。a堆叠的条形图显示了早期/晚期病人队列中生物任务专家和非专家的比例。b对比每个任务专家在早期(n=8)及迟交(n=6)队列样本。P值表示均值差异的显着性(双尾学生)t测试)。盒形图的上下铰链分别为25和75百分位数，中间为50百分位数(中位数)，而晶须的长度则超过1.5×四分位数范围。c, d点图显示糖酵解、氧化磷酸化(OXPHOS)，以及从病人4和8分离出的恶性细胞所产生的ATP总量。c)及病人16、17、21及23(d)。垂直黑色条形图表示三个独立生物副本的平均值(SEM)的标准误差。以星号表示的水平条形图显示，ATP的平均产率有显着性差异(FDR<0.05)。对下列所有时间点进行了比较：c)，以及早期和晚期患者之间的联合方式。d)。提供ATP生产分析的源数据作为源数据文件。
为了验证所观察到的向MAP原型转移的有效性，我们从患者4和8中提取了多个原发性癌细胞，并测试了代谢能力随时间的变化。我们利用两位病人的腹水样本，建立了早期传代的原发性患者细胞系。在这两种情况下，后期的样本是在高级阶段，经过几个线的处理。随着时间的推移，这些系列细胞表现出基础ATP生产能力的增加，大多数能量的产生是由患者4的糖酵解途径所致，而在病人8中则表现为氧化磷酸化和糖酵解(图8)。4C)。最后，为了测试我们的独立验证队列中癌细胞的相对代谢潜能，我们还从两个治疗前患者(患者16和17)和两个治疗后队列患者(患者21和23)中建立了细胞株。我们比较了这四种不匹配样品的ATP生成率，发现晚期处理样品的ATP产量总体上增加，这是糖酵解和氧化磷酸化途径共同作用的结果(图一)。4D)。在每项研究的后期，ATP的总生成率都会提高，而氧化磷酸化和糖酵解的相对贡献也会随着时间的推移而增加。我们还通过比较脂肪酸氧化抑制剂对ATP生成的贡献来评价脂肪酸氧化的贡献。我们发现ATP的产量显著下降，但随着时间的推移，这一下降是一致的(补充数字)16).
HGSOC基因组变异体的时间演化
为了检验肿瘤进化过程中基因变异与原型的相关性，我们接下来对纵向队列患者的生殖细胞株和恶性样本进行了WGS分析。我们观察到我们的样本中平均有12000个SNV和小indels，肿瘤变异负担平均为2.5/Mb，每九个病人中就有6个显示突变负担随时间而增加(图一)。5A和补充数据7)。在我们的样本中，平均观察到包括indels(>25 bp)和断点在内的800个结构变异(SVS)。5B和补充数据7)。此外，我们还观察到拷贝数的增加或损失在一个到八个癌症基因的样本(图)。5C)。影响癌症基因的非同义SNV、剪接位点变异、indels、svs(断点)、蛋白质相互作用变异和拷贝数变异如图所示。5D.
图5：纵向队列中体细胞WGS变异的概述。a纵向队列样本中肿瘤突变负担(非同义SNVS和小indels/MB)。b叠加条形图显示SVS的频率，包括每个样本中的indels(>25 bp)和断点。c每个样本中有拷贝数改变的基因数目。图中显示的基因数显示z转换拷贝数≥2(增益)或≤−2(丢失)。d显示影响宇宙癌症普查基因的体细胞变异。图中显示SNV和小indels，VAF>0.0 5，较大的indels和断点影响外显子，cnv的z转换拷贝数≥2(增益)或≤−2(损失)。
为了确定非同义SNV和小型indels的潜在致病性，我们通过将样本中的突变与预测和验证的驱动器突变的IntoGen列表进行比较，寻找潜在的驱动程序。我们还对影响种系样品中HR基因的变异进行了基因分型和预测。致病性生殖细胞突变BRIP 1在病人1和BRCA 1在病人中，8例先前被证明是导致HR通路缺失的原因之一。13,15。种系样本中的其他HR变异被预测为良性或常见的具有未知意义的SNPs(补充数据)。8)。只有一个基因的体细胞误解和剪接位点突变，TP 53被发现是潜在的驱动因素。截干EphA 3患者5、8和罗亚在病人9中，根据SnpEff注释被确定为高影响；然而，IntoGen(补充数据)预测它们是良性的或乘客性的。9)。我们发现频繁的拷贝数增加了MYC和IGF2BP2癌基因，均与晚期卵巢癌有关32,33,34。类似地，在PIK3CA35, ERBB 236，和SOX 237癌基因，每一个报告可能与卵巢癌的化疗耐药相关(图一)。5D和补充数据10)。此外，我们还观察到抑癌基因拷贝数的丢失。NF1在病人1和Rb1在病人7(如图所示)。5D和补充数据10).
接下来，我们绘制了追踪纵向队列患者进展的主要获得性基因组事件(图1)。6)。在病人1中，样本相隔1474天，样本丢失的拷贝数NF1伴随着.的收益IGF2B2在第二时间观察到(图二)。6A)。对于患者2，我们没有观察到癌症基因中获得的拷贝数的增加或丢失。但是，ESR 1外显子在第二时间点获得(如图所示)。6B)。在病人3的情况下，第一个样本是在病人已经接受一线化疗后收集的。我们观察到获得的拷贝数在Akt 2癌基因以及致病基因ABCB1-SLC25A40融合在第二个时间点(图。6C)以前曾报告过。
图6：卵巢癌的时间基因组特征。a–iCircos图显示断点和CNV沿染色体。断点显示为蓝色，如果在染色体内，或红色，如果在染色体之间。沿外径的拷贝数增加以暗红色显示，丢失用蓝色和中性表示为深灰色。每个病人的第一时间点外围的注释表明CNVS和SVS(断点)影响了宇宙癌症普查基因的外显子。对后续时间点的图进行注释，只显示获得的CNVS和SVS，截断断点以浅灰色显示。
患者4在第二时间点未显示获得的CNV。在cdr原型增加的同时，我们在LTR1的外显子和一个断点。ERBB 4未知意义的外显子(图)。6d)。患者5的CNV和SV谱(地图是所有点的关键原型)没有发现影响癌症基因的变异。这个病人得了一处接缝处。COL2A1和误解TPR 1乘客突变时间分别为2和3(图1)。6E)。患者6在短时间内的SNV、CNV和SVS为截断型(图6)。6f)。在病人7的第二时间点，几个关键的癌基因被扩增出来，包括PIK3CA, 克拉斯，和SOX 2，还有损失.Rb1收到(如图所示)。6g)。这些在病人7中获得的驱动突变与CDR在第二时间点作为主要原型的出现相对应。PIK3CA，PIK3CB，和IGF2BP2在第二时间点对病人8进行扩增，同时在第二时间点扩增患者的外显子中的断点。ARID1B和FEN 1。与病人7相比，患者的第二个时间点与CDR降低和地图原型增加有关。总的来说，患者7和8中影响相似通路(PI3K/MAPK)的相对较多的后天事件似乎与样本收集时间之间的长期间隔相吻合，但不符合相同原型的演变(补充图)。17)。患者9在很短的时间内对样本进行了分析，并显示CDR和MAP原型持续富集，但没有获得CNV。然而，一个乘客误解的变体NUP 98的第二个外显子中的一个断点。DMNT在第三时间。
为了评估关键的基因组变异和原型之间的关联，我们比较了专家在样本中的比例，这些样本由一个关键突变组成(如图所示)。7)。按病原分类的样本TP 53在24个样本中有21个存在突变，没有显示出任何原型的专家比例有任何显着性差异(图1)。7A)。同样，我们也没有观察到专家在样本中所占的比例有显著的差异。MYC14个样本的增益(图)。7b), IGF2BP210个样本的增益(图)。7C), PIK3CA六个样本的增益(图)。7D)，或ERBB 2七个样本的增益(图)。7E)。然而，我们发现SOX 2在6个样本中检测到的增益与CDR专家的比例显著提高(P=0.02)(图1。7F)。其他原型专家没有明显不同。
图7：按关键基因突变分组的样本的原型比例。a–f示意图显示了每个原型专家所占比例的分布，这些突变被认为是致病的，至少出现在25%的样本中(24个样本中有6个)。这些方框按原型分组和着色，红色表示CDR，绿色显示CDR，深蓝色表示地图，浅蓝表示非专家。Wt标记表明样本含有野生型(或复制中性)基因，而m代表突变(或扩增)基因的样本，每个面板底部有n个样本。这个P每个原型标签上方的值注释表示调整成对。P从图基的HSD(单面)后特别分析的方差分析模型的比例与突变状态作为相互作用的专家比例的数值。盒形图的上下铰链分别为25和75百分位数，中间为50百分位数(中位数)，而晶须的长度则超过1.5×四分位数范围。
单细胞亚克隆与新出现的原型相关联。
如上文所示，由于时间或化疗反应而获得的驱动基因组改变不能完全解释观察到的所有原型的变化或随着时间的推移而发展的治疗耐药性。因此，我们接下来研究单个细胞的亚克隆结构是否与原型的出现有关。我们用infercv方法确定了纵向序列scrna-seq样本的亚克隆结构，假设单细胞水平的转录异质性是由改变导致染色体上连续基因表达水平的改变所致。38(补充数字)18)。总之，我们发现在大多数患者中，原型与特定推断的亚克隆簇显著相关(Tukey‘s诚实显着性差异(HSD))P < 0.05) (Supplementary Figure 19).
CDR原型与患者4中的亚克隆簇1相关联，与最初的时间点相比，在较晚的时间点显示出一种富集现象(如图1所示)。8A)，而map原型与子克隆集群2相关联，DDR与子克隆集群3相关联(补充图)。19)。在患者5中，DDR原型与亚克隆簇1相关联，并在整个研究过程中仍然是核心原型(图1)。8B和补充数字19)。病人6的地图原型在后来的时间点富集与亚克隆簇3相关(图3)。8C和补充数字13)。第一时间点出现的MAP原型在亚克隆群3中丰富，CDR成为核心原型，后期时间点与簇2相关联(图2)。8D和补充数字19)。在病人8中，地图原型在后来的时间点被浓缩，并被亚克隆簇2所跟踪(图2)。8E和补充数字19)。病人9在稍后的时间点向地图原型移动，并与亚克隆簇3相关联(图3)。8F)。因此，我们观察到，在大多数患者中，特定的亚克隆簇与关键的MAP原型有关。然而，每个簇不能映射到一个观察到的全基因组扩增或删除事件。因此，进一步解决HGSOC肿瘤亚克隆进化背后的遗传、表观遗传学和调控驱动事件，有助于阐明这些细胞的原型转移机制。
图8：将原型映射到时间和推断的亚克隆。a–f前两个面板在每个纵向队列病人的前两个主成分上显示原型。左边的面板显示基于样本收集时间的细胞上的原型投影，而右侧面板显示基于使用推断CNV算法识别的聚类的单元格着色。各时间点原型得分的经验累积分布函数。由原型分数>0.8定义的丰富原型的变化将在情节上进行注释。
