Verfolgung der frühen Ausbreitung von Lungenkrebsmetastasen in TRACERx mithilfe von ctDNA

NEUESTE NACHRICHTEN

Mar 06, 2023

Fünf Fragen: Chris Carlson leitet die Regenwasseraufgaben von Loveland

Mar 08, 2023

Beste Solarleuchten für den Außenbereich 2023

Mar 10, 2023

Ausblick auf den LED-Lichtmarkt für Elektrowerkzeuge 2023 und COVID

Mar 12, 2023

Aputure kündigt Electro Storm CS15, XT26, F14 Fresnel und Spotlight Max an

Mar 14, 2023

Das Beste von Amazon

SENDEN SIE IHRE ANFRAGE

EINREICHEN

May 15, 2023

Verfolgung der frühen Ausbreitung von Lungenkrebsmetastasen in TRACERx mithilfe von ctDNA

Naturband 616, Seiten

Nature Band 616, Seiten 553–562 (2023)Diesen Artikel zitieren

18.000 Zugriffe

5 Zitate

421 Altmetrisch

Details zu den Metriken

Zirkulierende Tumor-DNA (ctDNA) kann verwendet werden, um verbleibende Tumorzellen, die nach einer Therapie mit kurativer Absicht bestehen bleiben, zu erkennen und zu profilieren1. Um die Rolle der ctDNA als phylogenetischer Biomarker für einen Rückfall bei nicht-kleinzelligem Lungenkrebs (NSCLC) im Frühstadium zu bestimmen, ist die Untersuchung großer Patientenkohorten unter Einbeziehung longitudinaler Plasmaprobenentnahmen und einer erweiterten Nachbeobachtung erforderlich. Hier haben wir ctDNA-Methoden entwickelt, die einen Median von 200 Mutationen verfolgen, die in reseziertem NSCLC-Gewebe in 1.069 Plasmaproben von 197 Patienten identifiziert wurden, die an der TRACERx-Studie2 teilnahmen. Ein fehlender präoperativer ctDNA-Nachweis zeichnete ein biologisch indolentes Lungenadenokarzinom mit gutem klinischen Ergebnis aus. Postoperative Plasmaanalysen wurden im Rahmen der radiologischen Standardüberwachung und der Verabreichung einer zytotoxischen Adjuvanstherapie interpretiert. wegweisende Analysen von Plasmaproben, die innerhalb von 120 Tagen nach der Operation entnommen wurden, ergaben einen ctDNA-Nachweis bei 25 % der Patienten, darunter 49 % aller Patienten, bei denen ein klinischer Rückfall auftrat; Eine 3- bis 6-monatige ctDNA-Überwachung ergab bei weiteren 20 % der richtungsweisend negativen Patienten einen drohenden Krankheitsrückfall. Wir haben ein bioinformatisches Tool (ECLIPSE) zur nicht-invasiven Verfolgung der subklonalen Architektur bei niedrigen ctDNA-Werten entwickelt. ECLIPSE identifizierte Patienten mit polyklonaler Metastasierung, die mit einem schlechten klinischen Ergebnis verbunden war. Durch die Messung der Anteile subklonierter Krebszellen im präoperativen Plasma stellten wir fest, dass Subklone, die zukünftige Metastasen aussäen, im Vergleich zu nicht metastasierten Subklonen deutlich stärker expandierten. Unsere Ergebnisse werden Fortschritte bei (neo)adjuvanten Studien unterstützen und Einblicke in den Prozess der Metastasenausbreitung mittels Flüssigbiopsie auf niedrigem ctDNA-Niveau liefern.

Dies ist eine Vorschau der Abonnementinhalte, Zugriff über Ihre Institution

Open-Access-Artikel, die diesen Artikel zitieren.

Natur Open Access 12. April 2023

Greifen Sie auf Nature und 54 weitere Nature Portfolio-Zeitschriften zu

Holen Sie sich Nature+, unser preisgünstigstes Online-Zugangsabonnement

29,99 $ / 30 Tage

jederzeit kündigen

Abonnieren Sie diese Zeitschrift

Erhalten Sie 51 gedruckte Ausgaben und Online-Zugriff

199,00 $ pro Jahr

nur 3,90 $ pro Ausgabe

Leihen oder kaufen Sie diesen Artikel

Holen Sie sich diesen Artikel nur so lange, wie Sie ihn benötigen

39,95 $

Die Preise können örtlicher Steuern unterliegen, die beim Bezahlvorgang berechnet werden

Die cfDNA-Sequenzierungsdateien, RNA-seq-Daten und multiregionalen Tumor-Exom-Sequenzierungsdaten (jeweils aus der TRACERx-Studie), die während dieser Studie verwendet oder analysiert wurden, wurden im Europäischen Genom-Phänomen-Archiv (EGA) hinterlegt, das vom Europäischen Bioinformatik-Institut gehostet wird (EBI) und das Center for Genomic Regulation (CRG) unter den Zugangscodes EGAS00001006494, EGAS00001006517 und EGAS00001006494 und unterliegt aufgrund der Art der Daten und der kommerziellen Partnerschaftsvereinbarungen einem kontrollierten Zugriff. Einzelheiten zur Beantragung des Zugangs finden Sie auf der verlinkten Seite.

ECLIPSE ist als R-Paket zur Installation von Github (https://github.com/amf71/ECLIPSE) verfügbar, das nur für akademische, nichtkommerzielle Forschungszwecke verfügbar ist. Der zur Erstellung der Zahlen in diesem Dokument verwendete Code ist auf Anfrage erhältlich.

Moding, EJ, Nabet, BY, Alizadeh, AA & Diehn, M. Nachweis von Flüssigkeitsresten solider Tumoren: zirkulierende Tumor-DNA, minimale Resterkrankung. Krebsentdeckung. 11, 2968–2986 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Jamal-Hanjani, M. et al. Verfolgung der Entwicklung von nichtkleinzelligem Lungenkrebs. N. engl. J. Med. 376, 2109–2121 (2017).

Artikel CAS PubMed Google Scholar

Chabon, JJ et al. Integration genomischer Merkmale für die nicht-invasive Früherkennung von Lungenkrebs. Natur 580, 245–251 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Peng, M. et al. Zirkulierende Tumor-DNA als prognostischer Biomarker bei lokalisiertem nichtkleinzelligem Lungenkrebs. Vorderseite. Oncol. 10, 561598 (2020).

Artikel PubMed PubMed Central Google Scholar

Xia, L. et al. Perioperative ctDNA-basierte molekulare Resterkrankungserkennung bei nichtkleinzelligem Lungenkrebs: eine prospektive multizentrische Kohortenstudie (LUNGCA-1). Klin. Krebs Res. 28, 3308–3317 (2021).

Artikel Google Scholar

Chaudhuri, AA et al. Früherkennung molekularer Resterkrankungen bei lokalisiertem Lungenkrebs durch zirkulierende Tumor-DNA-Profilierung. Krebsentdeckung. 7, 1394–1403 (2017).

Artikel CAS PubMed PubMed Central Google Scholar

Abbosh, C. et al. Die phylogenetische ctDNA-Analyse zeigt die Entwicklung von Lungenkrebs im Frühstadium. Natur 545, 446–451 (2017).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Gale, D. et al. Nach der Behandlung verbleibende ctDNA lässt einen frühen Rückfall bei Patienten mit nicht-kleinzelligem Lungenkrebs im Frühstadium vorhersagen. Ann. Oncol. 33, 500–510 (2022).

Zhang, J.-T. et al. Eine nicht nachweisbare molekulare Resterkrankung in Längsrichtung definiert die potenziell geheilte Population bei lokalisiertem nichtkleinzelligem Lungenkrebs. Krebsentdeckung. 12, 1690–1701 (2022).

Powles, T. et al. ctDNA zur Steuerung der adjuvanten Immuntherapie bei Urothelkarzinomen. Natur 595, 432–437 (2021).

Artikel ADS CAS PubMed Google Scholar

Tie, J. et al. Zirkulierende Tumor-DNA-Analyse als Leitfaden für die adjuvante Therapie bei Dickdarmkrebs im Stadium II. N. engl. J. Med. 386, 2261–2272 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Parikh, AR et al. Flüssigkeits- oder Gewebebiopsie zum Nachweis erworbener Resistenzen und Tumorheterogenität bei Magen-Darm-Krebs. Nat. Med. 25, 1415–1421 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Murtaza, M. et al. Multifokale klonale Evolution, charakterisiert anhand zirkulierender Tumor-DNA bei metastasiertem Brustkrebs. Nat. Komm. 6, 8760 (2015).

Artikel ADS PubMed Google Scholar

Herberts, C. et al. Tiefe ctDNA-Chronologie des gesamten Genoms von behandlungsresistentem Prostatakrebs. Natur 608, 199–208 (2022).

Artikel ADS CAS PubMed Google Scholar

Lungenkrebs: Diagnose und Management NICE-Leitlinie NG122 (NICE, 2019).

Zheng, Z. et al. Verankerte Multiplex-PCR für gezielte Sequenzierung der nächsten Generation. Nat. Med. 20, 1479–1484 (2014).

Artikel CAS PubMed Google Scholar

Abbosh, C., Birkbak, NJ & Swanton, C. NSCLC im Frühstadium – Herausforderungen bei der Implementierung von ctDNA-basiertem Screening und MRD-Nachweis. Nat. Rev. Clin. Oncol. 15, 577–586 (2018).

Artikel CAS PubMed Google Scholar

Newman, AM et al. Eine hochempfindliche Methode zur Quantifizierung zirkulierender Tumor-DNA mit breiter Patientenabdeckung. Nat. Med. 20, 548–554 (2014).

Artikel CAS PubMed PubMed Central Google Scholar

Hänzelmann, S., Castelo, R. & Guinney, J. GSVA: Gen-Set-Variationsanalyse für Microarray- und RNA-seq-Daten. BMC Bioinform. 14, 7 (2013).

Artikel Google Scholar

Liberzon, A. et al. Die Sammlung charakteristischer Gensätze der Molecular Signatures Database (MSigDB). Zellsystem 1, 417–425 (2015).

Artikel CAS PubMed PubMed Central Google Scholar

Biswas, D. et al. Ein klonaler Expressionsbiomarker steht im Zusammenhang mit der Lungenkrebsmortalität. Nat. Med. 25, 1540–1548 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Burrell, RA et al. Replikationsstress verknüpft die strukturelle und numerische Instabilität der Krebschromosomen. Natur 494, 492–496 (2013).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Wang, ZC et al. Profile der genomischen Instabilität bei hochgradigem serösem Eierstockkrebs sagen den Behandlungserfolg voraus. Klin. Krebs Res. 18, 5806–5815 (2012).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Mermel, CH et al. GISTIC2.0 erleichtert die sensible und sichere Lokalisierung der Ziele fokaler somatischer Kopienzahlveränderungen bei Krebserkrankungen beim Menschen. Genombiol. 12, R41 (2011).

Artikel PubMed PubMed Central Google Scholar

Shih, DJH et al. Die genomische Charakterisierung menschlicher Hirnmetastasen identifiziert die Auslöser des metastasierten Lungenadenokarzinoms. Nat. Genet. 52, 371–377 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Tate, JG et al. KOSMISCH: Der Katalog somatischer Mutationen bei Krebs. Nukleinsäuren Res. 47, D941–D947 (2019).

Artikel CAS PubMed Google Scholar

Garcia-Murillas, I. et al. Bewertung der molekularen Rückfallerkennung bei Brustkrebs im Frühstadium. JAMA Oncol. 5, 1473–1478 (2019).

Artikel PubMed PubMed Central Google Scholar

Frankell, AM et al. Die Entwicklung von Lungenkrebs und die Auswirkungen der subklonalen Selektion in TRACERx. Natur https://doi.org/10.1038/s41586-023-05783-5 (2023).

Litchfield, K. et al. Metaanalyse tumor- und T-zell-intrinsischer Mechanismen der Sensibilisierung gegenüber Checkpoint-Hemmung. Zelle 184, 596–614 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

McGranahan, N. et al. Klonale Neoantigene lösen T-Zell-Immunreaktivität und Empfindlichkeit gegenüber Immun-Checkpoint-Blockaden aus. Science 351, 1463–1469 (2016).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Al Bakir, M. et al. Die Entwicklung nicht-kleiner Lungenkrebsmetastasen in TRACERx. Natur https://doi.org/10.1038/s41586-023-05729-x (2023).

Martínez-Ruiz, C. et al. Genomisch-transkriptomische Evolution bei Lungenkrebs und Metastasierung. Natur https://doi.org/10.1038/s41586-023-05706-4 (2023).

Moding, EJ et al. Die Dynamik der zirkulierenden Tumor-DNA sagt einen Nutzen einer Konsolidierungsimmuntherapie bei lokal fortgeschrittenem nicht-kleinzelligem Lungenkrebs voraus. Nat. Krebs 1, 176–183 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Chen, K. et al. Perioperative dynamische Veränderungen der zirkulierenden Tumor-DNA bei Patienten mit Lungenkrebs (DYNAMIC). Klin. Krebs Res. 25, 7058–7067 (2019).

Artikel CAS PubMed Google Scholar

Li, N. et al. Perioperativ zirkulierende Tumor-DNA als potenzieller prognostischer Marker für operablen nichtkleinzelligen Lungenkrebs im Stadium I bis IIIA. Krebs 128, 708–718 (2021).

Artikel PubMed Google Scholar

Kurtz, DM et al. Verbesserte Erkennung minimaler Resterkrankungen durch gezielte Sequenzierung von Phasenvarianten in zirkulierender Tumor-DNA. Nat. Biotechnologie. 39, 1537–1547 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Cohen, JD et al. Nachweis niederfrequenter DNA-Varianten durch gezielte Sequenzierung der Watson- und Crick-Stränge. Nat. Biotechnologie. 39, 1220–1227 (2021).

Artikel CAS PubMed PubMed Central Google Scholar

Gydush, G. et al. Die massiv parallele Anreicherung niederfrequenter Allele ermöglicht eine Duplex-Sequenzierung in geringer Tiefe. Nat. Biomed. Ing. 6, 257–266 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Van Loo, P. et al. Allelspezifische Kopienzahlanalyse von Tumoren. Proz. Natl Acad. Wissenschaft. USA 107, 16910–16915 (2010).

Artikel ADS PubMed PubMed Central Google Scholar

Nik-Zainal, S. et al. Die Lebensgeschichte von 21 Brustkrebspatienten. Zelle 149, 994–1007 (2012).

Artikel CAS PubMed PubMed Central Google Scholar

Roth, A. et al. PyClone: Statistische Schlussfolgerung der klonalen Populationsstruktur bei Krebs. Nat. Methoden 11, 396–398 (2014).

Artikel CAS PubMed PubMed Central Google Scholar

Miller, CA et al. Visualisierung der Tumorentwicklung mit dem Fishplot-Paket für R. BMC Genom. 17, 880 (2016).

Artikel Google Scholar

Frankell, AM, Colliver, E., Mcgranahan, N. & Swanton, C. cloneMap: ein R-Paket zur Visualisierung der klonalen Heterogenität. Vorabdruck bei bioRxiv https://doi.org/10.1101/2022.07.26.501523 (2022).

Birkbak, NJ & McGranahan, N. Evolutionsverläufe des Krebsgenoms bei der Metastasierung. Krebszelle 37, 8–19 (2020).

Artikel CAS PubMed Google Scholar

Rosenthal, R. et al. Neoantigen-gesteuerte Immunflucht bei der Entwicklung von Lungenkrebs. Natur 567, 479–485 (2019).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Lai, Z. et al. VarDict: ein neuartiger und vielseitiger Variantenaufrufer für die Sequenzierung der nächsten Generation in der Krebsforschung. Nukleinsäuren Res. 44, e108 (2016).

Artikel PubMed PubMed Central Google Scholar

Signorell, A., Aho, K., Alfons, A., Anderegg, N. & Aragon, T. DescTools: Werkzeuge für deskriptive Statistik. R-Paketversion 0.99 (2023).

Robinson, MD, McCarthy, DJ & Smyth, GK EdgeR: ein Bioconductor-Paket für die differenzielle Expressionsanalyse digitaler Genexpressionsdaten. Bioinformatik 26, 139–140 (2010).

Artikel CAS PubMed Google Scholar

Ritchie, ME et al. Limma ermöglicht differenzielle Expressionsanalysen für RNA-Sequenzierung und Microarray-Studien. Nukleinsäuren Res. 43, e47 (2015).

Artikel PubMed PubMed Central Google Scholar

Yu, G. & He, Q.-Y. ReactomePA: ein R/Bioconductor-Paket für die Analyse und Visualisierung von Reaktompfaden. Mol. Biosystem. 12, 477–479 (2016).

Artikel CAS PubMed Google Scholar

Kassambara, A. rstatix: Pipe-freundliches Framework für grundlegende statistische Tests. R-Paketversion 0.7.1 (2022).

Kuznetsova, A., Brockhoff, PB & Christensen, RHB lmerTest-Paket: Tests in linearen Mixed-Effects-Modellen. J. Stat. Softw. 82, 1–26 (2017).

Artikel Google Scholar

Sanchez-Vega, F. et al. Onkogene Signalwege im Krebsgenomatlas. Zelle 173, 321–337 (2018).

Artikel CAS PubMed PubMed Central Google Scholar

Bielski, CM et al. Die Verdoppelung des Genoms prägt die Entwicklung und Prognose fortgeschrittener Krebsarten. Nat. Genet. 50, 1189–1195 (2018).

Artikel CAS PubMed PubMed Central Google Scholar

Chung, NC, Miasojedow, B., Startek, M. & Gambin, A. Jaccard/Tanimoto-Ähnlichkeitstest und Schätzmethoden für biologische An- und Abwesenheitsdaten. BMC Bioinform. 20, 644 (2019).

Artikel Google Scholar

Larsson, J. euler: Flächenproportionale Euler- und Venn-Diagramme mit Ellipsen. R-Paketversion 7.0.0 (2022).

Yu, G. ggplotify: Plot in „grob“- oder „ggplot“-Objekt konvertieren. R-Paketversion 0.1.0 (2021).

Therneau, TM Survival: ein Paket zur Überlebensanalyse in R. R-Paketversion v.3.2-13 https://CRAN.R-project.org/package=survival (2021).

Wiesweg, M. SurvivalAnalysis: High-Level-Schnittstelle für Überlebensanalysen und zugehörige Diagramme. R-Paketversion 0.3.0 https://CRAN.R-project.org/package=survivalAnalysis (2022).

Kassambara, A., Kosinski, M. & Biecek, P. Survminer: Überlebenskurven mit „ggplot2“ zeichnen. R-Paketversion 0.4.9 https://CRAN.R-project.org/package=survminer (2021).

R-Kernteam. R: Eine Sprache und Umgebung für statistisches Rechnen https://www.R-project.org/ (R Foundation for Statistical Computing, 2021).

Wickham, H. et al. Willkommen im Tidyverse. J. Open Source Softw. 4, 1686 (2019).

Artikel ADS Google Scholar

Dowle, M. et al. data.table: Erweiterung von 'data.frame'. R-Paketversion 1.14.6 https://CRAN.R-project.org/package=data.table (2022).

Wickham, H. et al. readxl: Excel-Dateien lesen. R-Paketversion 1.4.1 https://CRAN.R-project.org/package=readxl (2022).

Klik, M. fst: Blitzschnelle Serialisierung von Datenrahmen. R-Paketversion 0.9.8 https://CRAN.R-project.org/package=fst (2022).

Yaari, G., Bolen, CR, Thakar, J. & Kleinstein, SH Quantitative Set-Analyse für die Genexpression: eine Methode zur Quantifizierung der differentiellen Expression von Gensets einschließlich Gen-Gen-Korrelationen. Nukleinsäuren Res. 41, e170 (2013).

Artikel CAS PubMed PubMed Central Google Scholar

Turner, JA, Bolen, CR & Blankenship, DM Quantitative Gensatzanalyse, verallgemeinert für wiederholte Messungen, Confounder-Anpassung und kontinuierliche Kovariaten. BMC Bioinform. 16, 272 (2015).

Artikel Google Scholar

Meng, H., Yaari, G., Bolen, CR, Avey, S. & Kleinstein, SH Gen-Set-Metaanalyse mit quantitativer Set-Analyse für die Genexpression (QuSAGE). PLoS Comput. Biol. 15, e1006899 (2019).

Artikel ADS PubMed PubMed Central Google Scholar

Gu, Z., Eils, R. & Schlesner, M. Komplexe Heatmaps offenbaren Muster und Korrelationen in mehrdimensionalen Genomdaten. Bioinformatik 32, 2847–2849 (2016).

Artikel CAS PubMed Google Scholar

Wickham, H. ggplot2: Elegante Grafiken für die Datenanalyse (Springer, 2016).

Kassambara, A. ggpubr: „ggplot2“-basierte publikationsfertige Plots. R-Paketversion 3.3.5 https://CRAN.R-project.org/package=ggpubr (2020).

Slowikowski, K. ggrepel: Nicht überlappende Textbeschriftungen automatisch mit „ggplot2“ positionieren. R-Paketversion 0.9.2 https://CRAN.R-project.org/package=ggrepel (2022).

Clarke, E. ggbeeswarm: Diagramme der kategorialen Streuung (Geigenpunkt). R-Paketversion 0.7.1 https://CRAN.R-project.org/package=ggbeeswarm (2022).

Wickham, H. et al. Skalen: Skalenfunktionen zur Visualisierung. R-Paketversion 1.2.1 https://CRAN.R-project.org/package=scales (2022).

Pedersen, TL ggforce: Beschleunigung von „ggplot2“. R-Paketversion 0.4.1 https://CRAN.R-project.org/package=ggforce (2022).

Wilke, CO Cowplot: Optimiertes Plotthema und Plotanmerkungen für „ggplot2“. R-Paketversion 1.1.1 https://CRAN.R-project.org/package=cowplot (2020).

Lakatos, E. et al. LiquidCNA: Verfolgung der subklonalen Entwicklung aus longitudinalen Flüssigbiopsien mithilfe somatischer Kopienzahländerungen. iScience 24, 102889 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Referenzen herunterladen

Die TRACERx-Studie (ClinicalTrials.gov: NCT01888601) wird vom University College London gesponsert (UCL/12/0279) und wurde von einem unabhängigen Forschungsethikausschuss (13/LO/1546) genehmigt. TRACERx wird von Cancer Research UK (C11496/A17786) finanziert und vom Cancer Research UK und dem UCL Cancer Trials Centre koordiniert, das über einen Kernzuschuss von CRUK (C444/A15953) verfügt. Wir danken den Patienten und Angehörigen, die an der TRACERx-Studie teilgenommen haben, sowie allen Mitarbeitern vor Ort, Forschern, Geldgebern und Industriepartnern, die die Generierung der Daten im Rahmen dieser Studie unterstützt haben. Insbesondere danken wir den Mitarbeitern der Abteilungen Scientific Computing, Advanced Sequencing Facility und Experimental Histopathology am Francis Crick Institute für ihre Unterstützung. Wir danken auch J. Brock für seine Hilfe. Diese Arbeit wurde vom Cancer Research UK Lung Cancer Centre of Excellence und dem CRUK City of London Centre Award (C7893/A26233) unterstützt. MAB wird von Cancer Research UK, dem Rosetrees Trust und dem Francis Crick Institute unterstützt. NJB ist Fellow der Lundbeck Foundation (R272-2017-4040) und dankt der Aarhus University Research Foundation (AUFF-E-2018-7-14) und der Novo Nordisk Foundation (NNF21OC0071483) für die Finanzierung. A. Huebner wird von Cancer Research UK unterstützt. DAM wird vom Cancer Research UK Lung Cancer Centre of Excellence (C11496/A30025) unterstützt. TBKW wird vom Francis Crick Institute sowie dem Marie Curie ITN-Projekt PLOIDYNET (FP7-PEOPLE-2013, 607722), der Breast Cancer Research Foundation (BCRF) und dem Royal Society Research Professorships Enhancement Award (RP/EA/180007) unterstützt. und die Foulkes-Stiftung. TK wird durch das JSPS Overseas Research Fellowships Program (202060447) unterstützt. CM-R. wird von den Trusts Rosetrees (M630) und Wellcome unterstützt. ELL erhält Mittel von der NovoNordisk Foundation (16584). CTH wurde vom NIHR University College London Hospitals Biomedical Research Centre finanziert. MJ-H. ist ein CRUK Career Establishment Awardee und hat Fördermittel von CRUK, dem NIH National Cancer Institute, der IASLC International Lung Cancer Foundation, der Lung Cancer Research Foundation, dem Rosetrees Trust, UKI NETs, NIHR und dem NIHR UCLH Biomedical Research Centre erhalten. NM ist ein Sir Henry Dale Fellow, der gemeinsam vom Wellcome Trust und der Royal Society finanziert wird (Grant-Nr. 211179/Z/18/Z) und erhält außerdem Mittel von Cancer Research UK, Rosetrees und dem NIHR BRC an den University College London Hospitals und das CRUK University College London Experimental Cancer Medicine Centre. TLC dankt dem Howard Hughes Medical Institute und dem Radiation Oncology Institute für die finanzielle Unterstützung; GIE von Cancer Research UK (A29210) und der European Research Council Advanced Investigator Award (294851); HJWLA vom NIH (NIH-USA U24CA194354, NIH-USA U01CA190234, NIH-USA U01CA209414 und NIH-USA R35CA22052) und dem European Union-European Research Council (Fördervereinbarung Nr. 866504); und KL vom UK Medical Research Council (MR/V033077/1), dem Rosetrees Trust und Cotswold Trust (A2437), der Royal Marsden Cancer Charity und der Melanoma Research Alliance. BioRender wurde bei der Generierung von Abb. 4 und Extended Data Abb. 7 verwendet. CS ist ein Royal Society Napier Research Professor (RSRP\R\210001); und wird vom Francis Crick Institute unterstützt, das seine Hauptfinanzierung von Cancer Research UK (CC2041), dem UK Medical Research Council (CC2041) und dem Wellcome Trust (CC2041) erhält. Für die Zwecke des Open Access hat der Autor eine öffentliche CC BY-Urheberrechtslizenz auf alle vom Autor akzeptierten Manuskriptversionen angewendet, die sich aus dieser Einreichung ergeben. CS wird von Cancer Research UK (TRACERx (C11496/A17786), PEACE (C416/A21999) und CRUK Cancer Immunotherapy Catalyst Network) finanziert; Cancer Research UK Lung Cancer Centre of Excellence (C11496/A30025); der Rosetrees Trust, Butterfield und Stoneygate Trust; die NovoNordisk Foundation (ID16584); der Royal Society Professorship Enhancement Award (RP/EA/180007); das National Institute for Health Research (NIHR) des University College London Hospitals Biomedical Research Centre; das Cancer Research UK – University College London Centre; das Zentrum für experimentelle Krebsmedizin; die Breast Cancer Research Foundation (US) BCRF-22-157; Cancer Research UK Early Detection and Diagnosis Primer Award (Grant EDDPMA-21.11.100034); und der Aspire Award der Mark Foundation for Cancer Research (Grant 21-029-ASP). Diese Arbeit wurde durch ein Stipendium der Stand Up to Cancer-LUNGevity-American Lung Association Lung Cancer Interception Dream Team Translational Research unterstützt (Stipendium Nr. SU2C-AACR-DT23-17 an SM Dubinett und AE Spira). Stand Up To Cancer ist eine Abteilung der Entertainment Industry Foundation. Forschungsstipendien werden von der American Association for Cancer Research, dem wissenschaftlichen Partner von SU2C, verwaltet. CS erhält einen ERC Advanced Grant (PROTEUS) vom Europäischen Forschungsrat im Rahmen des Forschungs- und Innovationsprogramms Horizon 2020 der Europäischen Union (Fördervereinbarung Nr. 835297).

Diese Autoren haben gleichermaßen beigetragen: Christopher Abbosh, Alexander M. Frankell, Thomas Harrison, Judit Kisistok, Aaron Garnett

Diese Autoren haben diese Arbeit gemeinsam betreut: Nicolai J. Birkbak, Nicholas McGranahan, Charles Swanton

Cancer Research UK Lung Cancer Centre of Excellence, University College London Cancer Institute, London, Großbritannien

Christopher Abbosh, Alexander M. Frankell, Selvaraju Veeriah, Sophia Ward, Kristiana Grigoriadis, Kevin Litchfield, Clare Puttick, Dhruva Biswas, Takahiro Karasaki, James RM Black, Carlos Martinez-Ruiz, Maise Al Bakir, Emilia L. Lim, Ariana Huebner, David A. Moore, Elizabeth Manzano, Crispin T. Hiley, Mariam Jamal-Hanjani, Abigail Bunkum, Antonia Toncheva, Corentin Richard, Cristina Naceur-Lombardelli, Foteini Athanasopoulou, Francisco Gimeno-Valiente, Haoran Zhai, Jie Min Lam, Kerstin Thol, Krupa Thakkar, Mariana Werner Sunderland, Michelle Dietzen, Michelle Leung, Monica Sivakumar, Nnennaya Kanu, Olivia Lucas, Othman Al-Sawaf, Paulina Prymas, Robert Bentham, Sadegh Saghafinia, Sergio A. Quezada, Sharon Vanloo, Simone Zaccaria, Sonya Hessey, Wing Kin Liu, Martin D. Forster, Siow Ming Lee, Nicolai J. Birkbak, Nicholas McGranahan und Charles Swanton

Labor für Krebsevolution und Genominstabilität, Francis Crick Institute, London, Großbritannien

Alexander M. Frankell, Sophia Ward, Christiana Grigoriadis, Clare Puttick, Dhruva Biswas, Takahiro Karasaki, Maise Al Bakir, Oriol Pich, Thomas BK Watkins, Emilia L. Lim, Ariana Huebner, David A. Moore, Crispin T. Hiley, Daniel E. Cook, Gareth A. Wilson, Rachel Rosenthal, Andrew Rowan, Brittany B. Campbell, Chris Bailey, Claudia Lee, Emma Colliver, Foteini Athanasopoulou, Haoran Zhai, Jayant K. Rane, Katey SS Enfield, Mark S. Hill, Michelle Dietzen, Michelle Leung, Michael Angelova, Olivia Lucas, Othman Al-Sawaf, Nicolai J. Birkbak und Charles Swanton

Einladung, San Francisco, CA, USA

Thomas Harrison, Aaron Garnett, Laura Johnson, Mike Moreau, Adrian Chesh, Morgan R. Schroeder, Aamir Shahpurwalla, Aaron Odell, Paula Roberts, Robert D. Daber, Abel Licon und Josh Stahl

Abteilung für Molekulare Medizin, Universitätsklinikum Aarhus, Aarhus, Dänemark

Judith Kisistok, Matthew Sokac und Nicolai J. Birkbak

Abteilung für klinische Medizin, Universität Aarhus, Aarhus, Dänemark

Judith Kisistok, Matthew Sokac und Nicolai J. Birkbak

Bioinformatik-Forschungszentrum, Universität Aarhus, Aarhus, Dänemark

Judith Kisistok, Matthew Sokac und Nicolai J. Birkbak

Programm für künstliche Intelligenz in der Medizin (AIM), Mass General Brigham, Harvard Medical School, Boston, MA, USA

Tafadzwa L. Chaunzwa, Jakob Weiss & Hugo JWL Aerts

Abteilung für Radioonkologie, Brigham and Women's Hospital, Dana-Farber Cancer Institute, Harvard Medical School, Boston, MA, USA

Tafadzwa L. Chaunzwa, Jakob Weiss & Hugo JWL Aerts

Abteilung für Radiologie, Universitätsklinikum Freiburg, Freiburg, Deutschland

Jakob Weiß

Advanced Sequencing Facility, Francis Crick Institute, London, Großbritannien

Sophia Ward, Foteini Athanasopoulou und Jerome Nicod

Cancer Genome Evolution Research Group, Cancer Research UK Lung Cancer Centre of Excellence, University College London Cancer Institute, London, Großbritannien

Kristiana Grigoriadis, Clare Puttick, James R. M. Black, Carlos Martínez-Ruiz, Ariana Huebner, Kerstin Thol, Michelle Dietzen, Michelle Leung, Robert Bentham & Nicholas McGranahan

Labor für Tumorimmunogenomik und Immunüberwachung, University College London Cancer Institute, London, Großbritannien

Kevin Litchfield

Bill Lyons Informatics Centre, University College London Cancer Institute, London, Großbritannien

Dhruva Biswas & Javier Herrero

Krebsmetastasierungslabor, University College London Cancer Institute, London, Großbritannien

Das Beste von Takahiro Karasaki, Mariam Jamal-Hanjani, Abigail Bunkum, Jie Min Lam, Othman Al-Sawaf, Sonya Hessey und Wing Kin Liu

Abteilung für Zellpathologie, University College London Hospitals, London, Großbritannien

David A. Moore, Teresa Marafioti, Elaine Borg, Mary Falzon und Reena Hire

AstraZeneca, Cambridge, Großbritannien

Nadia Godin-Heymann, Anne L'Hernault, Hannah Bye und Darren Hodgson

Der Christie NHS Foundation Trust, Manchester, Großbritannien

Fabio Gomes, Kate Brown, Mathew Carter, Anshuman Chaturvedi, Lynsey Priest und Pedro Oliveira

University Hospital Birmingham NHS Foundation Trust, Birmingham, Großbritannien

Akshay J. Patel, Aya Osman, Christer Lacson, Gerald Langman, Helen Shackleford, Madava Djearaman, Salma Kadiri und Gary Middleton

Krebsforschungszentrum, Universität Leicester, Leicester, Großbritannien

Nicolas Carey, Joan Riley, Jacqui A. Shaw, Gurdeep Matharu und Lindsay Primrose

AstraZeneca, Waltham, MA, USA

Daniel Stetson & J. Carl Barrett

Abteilung für Biochemie, Universität Cambridge, Cambridge, Großbritannien

Roderik M. Kortlever & Gerard I. Evan

Cancer Research UK und UCL Cancer Trials Centre, London, Großbritannien

Allan Hackshaw, Abigail Sharp, Sean Smith, Nicole Gower, Harjot Kaur Dhanda, Kitty Chan, Camilla Pilotti und Rachel Leslie

Radiologie und Nuklearmedizin, CARIM & GROW, Universität Maastricht, Maastricht, Niederlande

Hugo JWL Aerts

Abteilung für Onkologie, University College London Hospitals, London, Großbritannien

Mariam Jamal-Hanjani, Sarah Benafif, Jie Min Lam, Olivia Lucas, Martin D. Forster, Siow Ming Lee, Dionysis Papadatos-Pastos, James Wilson, Tanya Ahmad und Charles Swanton

Singleton Hospital, Swansea Bay University Health Board, Swansea, Großbritannien

Jason F. Lester

Universitätskliniken von Leicester NHS Trust, Leicester, Großbritannien

Amrita Bajaj, Apostolos Nakas, Azmina Sodha-Ramdeen, Keng Ang, Mohamad Tufail, Mohammed Fiyaz Chowdhry, Molly Scotland, Rebecca Boyles, Sridhar Rathinam und Dean A. Fennell

Universität Leicester, Leicester, Großbritannien

Claire Wilson, Domenic Brown, Old Sean und Dean A. Fennell

Royal Free Hospital, Royal Free London NHS Foundation Trust, London, Großbritannien

Ekaterini Boleti

Aberdeen Royal Infirmary NHS Grampian, Aberdeen, Großbritannien

Heather Cheyne, Mohammed Khalil, Shirley Richardson und Tracey Cruickshank

Abteilung für Medizinische Onkologie, Aberdeen Royal Infirmary NHS Grampian, Aberdeen, Großbritannien

Gillian Price

Universität Aberdeen, Aberdeen, Großbritannien

Gillian Price & Keith M. Kerr

Abteilung für Pathologie, Aberdeen Royal Infirmary NHS Grampian, Aberdeen, Großbritannien

Keith M. Kerr

Der Whittington Hospital NHS Trust, London, Großbritannien

Kayleigh Gilbert

Birmingham Acute Care Research Group, Institut für Entzündung und Alterung, Universität Birmingham, Birmingham, Großbritannien

Babu Naidu

Institut für Immunologie und Immuntherapie, Universität Birmingham, Birmingham, Großbritannien

Gary Middleton

Biobank des Manchester Cancer Research Centre, Manchester, Großbritannien

Angela Leek, Jack Davies Hodgkinson und Nicola Totten

Wythenshawe Hospital, Manchester University NHS Foundation Trust, Wythenshawe, Großbritannien

Angeles Montero, Elaine Smith, Eustace Fontaine, Felice Granato, Helen Doran, Juliette Novasio, Kendadai Rammohan, Leena Joseph, Paul Bishop, Rajesh Shah, Stuart Moss, Vijay Joshi und Philip Crosbie

Abteilung für Infektions-, Immunitäts- und Atemwegsmedizin, Universität Manchester, Manchester, Großbritannien

Philip Crosbie

Cancer Research UK Lung Cancer Centre of Excellence, Universität Manchester, Manchester, Großbritannien

Philip Crosbie, Anshuman Chaturvedi, Lynsey Priest, Pedro Oliveira, Alexandra Clipson, Jonathan Tugwood, Alastair Kerr, Dominic G. Rothwell, Elaine Kilgour und Caroline Dive

Abteilung für Krebswissenschaften, Universität Manchester und Christie NHS Foundation Trust, Manchester, Großbritannien

Colin R. Lindsay, Fiona H. Blackhall, Matthew G. Krebs und Yvonne Summers

Cancer Research UK Manchester Institute Cancer Biomarker Centre, Universität Manchester, Manchester, Großbritannien

Alexandra Clipson, Jonathan Tugwood, Alastair Kerr, Dominic G. Rothwell, Elaine Kilgour und Caroline Dive

Institut für Computational Cancer Biology, Zentrum für Integrierte Onkologie (CIO), Krebsforschungszentrum Köln Essen (CCCE), Medizinische Fakultät und Universitätsklinikum Köln, Universität zu Köln, Köln, Deutschland

Roland F. Schwarz

Berliner Institut für Grundlagen des Lernens und Daten (BIFOLD), Berlin, Deutschland

Roland F. Schwarz & Tom L. Kaufmann

Berliner Institut für Medizinische Systembiologie, Max-Delbrück-Centrum für Molekulare Medizin in der Helmholtz-Gemeinschaft (MDC), Berlin, Deutschland

Tom L. Kaufmann

Abteilung für Genetik, MD Anderson Cancer Center der University of Texas, Houston, TX, USA

Peter Van Loo

Abteilung für Genommedizin, MD Anderson Cancer Center der University of Texas, Houston, TX, USA

Peter Van Loo

Labor für Krebsgenomik, Francis Crick Institute, London, Großbritannien

Peter Van Loo, Jonas Demeulemeester, Carla Castignani und Elizabeth Larose Cadieux

Forschungszentrum der Dänischen Krebsgesellschaft, Kopenhagen, Dänemark

Zoltan Szallasi & Miklos Diossy

Computational Health Informatics Program, Boston Children's Hospital, Boston, MA, USA

Zoltan Szallasi & Miklos Diossy

Abteilung für Bioinformatik, Semmelweis-Universität, Budapest, Ungarn

Zoltan Szallasi

Abteilung für Pathologie, ZAS-Krankenhäuser, Antwerpen, Belgien

Roberto Salgado

Forschungsabteilung, Peter MacCallum Cancer Centre, Melbourne, Victoria, Australien

Roberto Salgado

Abteilung für Physik komplexer Systeme, ELTE Eötvös Loránd Universität, Budapest, Ungarn

Miklos Diossy

Labor für integrative Krebsgenomik, Abteilung für Onkologie, KU Leuven, Leuven, Belgien

Jonas Demeulemeester

VIB–KU Leuven Zentrum für Krebsbiologie, Leuven, Belgien

Jonas Demeulemeester

Computational Cancer Genomics Research Group, University College London Cancer Institute, London, Großbritannien

Abigail Bunkum, Olivia Lucas, Simone Zaccaria und Sonya Hessey

Das Francis Crick Institute, London, Großbritannien

Aengus Stewart, Alastair Magness, Clare E. Weeden, Dina Levi, Eva Greenroos, Jacki Goldman, Mickael Escudero, Philip Hobson, Roberto Vendramin, Stefan Boeing, Tamara Denner, Vittorio Barbe, Wei-Ting Lu, William Hill, Yutaka Naito und Zoe Ramsden

University College London Cancer Institute, London, Großbritannien

Angeliki Karamani, Benny Chain, David R. Pearce, Despoina Karagianni, Elena Hoxha, Philip Galvez-Cancino, Georgia Stavrou, Gerasimos Mastrokalos, Helen L. Lowe, Ignatius Matos, James L. Reading, Jayant K. Rane, John A. Hartley , Kayalvizhi Selvaraju, Kezhong Chen, Leah Ensell, Mansi Shah, Marcos Vasquez, Maria Litovchenko, Olga Chervova, Piotr Pawlik, Robert E. Hynds, Saioa Lopez, Samuel Gamble, Seng Kuong Anakin Ung, Supreet Kaur Bola, Thanos P. Mourikis, Victoria Spanswick & Yin Wu

Medizinische Genomik, University College London Cancer Institute, London, Großbritannien

Carla Castignani, Elizabeth Larose Cadieux, Miljana Tanić und Stephan Beck

Experimentelle Histopathologie, Francis Crick Institute, London, Großbritannien

Emma Nye und Richard Kevin Stone

Retroviral Immunology Group, Francis Crick Institute, London, Großbritannien

George Kassiotis & Kevin W. Ng

Abteilung für Infektionskrankheiten, Medizinische Fakultät, Imperial College London, London, Großbritannien

George Kassiotis

Abteilung für Hämatologie, University College London Hospitals, London, Großbritannien

Karl S. Peggs

Abteilung für Krebsimmunologie, Forschungsabteilung für Hämatologie, University College London Cancer Institute, London, Großbritannien

Karl S. Peggs

Abteilung für Molekulare Onkologie und Immunologie, Niederländisches Krebsinstitut, Amsterdam, Niederlande

Kris Dijkstra

Oncode Institute, Utrecht, Niederlande

Kris Dijkstra

Experimentelle Onkologie, Institut für Onkologie und Radiologie Serbiens, Belgrad, Serbien

Miljana Tanić

Gruppe für Immunregulation und Tumorimmuntherapie, Abteilung für Krebsimmunologie, Forschungsabteilung für Hämatologie, University College London Cancer Institute, London, Großbritannien

Sergio A. Quezada

Zentrum für medizinische Bildverarbeitung, Abteilung für medizinische Physik und biomedizinische Technik, University College London, London, Großbritannien

Catarina Veiga

Abteilung für medizinische Physik und Bioingenieurwesen, University College London Cancer Institute, London, Großbritannien

Gary Royle

Abteilung für medizinische Physik und biomedizinische Technik, University College London, London, Großbritannien

Charles-Antoine Collins-Black

Institut für Nuklearmedizin, Abteilung für Medizin, University College London, London, Großbritannien

Francis Fraioli

Institut für Struktur- und Molekularbiologie, University College London, London, Großbritannien

Paul Ashford

University College London, London, Großbritannien

Tristan Clark

Abteilung für Radiologie, University College London Hospitals, London, Großbritannien

Alexander James Procter, Asia Ahmed, Magali N. Taylor und Arjun Nair

UCL Respiratory, Abteilung für Medizin, University College London, London, Großbritannien

Arjun Nair

Abteilung für Thoraxchirurgie, University College London Hospital NHS Trust, London, Großbritannien

David Lawrence und David Patrini

Lungs for Living Research Centre, UCL Respiratory, University College London, London, Großbritannien

Neal Navani, Ricky M. Thakrar und Sam M. Janes

Abteilung für Thoraxmedizin, University College London Hospitals, London, Großbritannien

Neal Navani und Ricky M. Thakrar

University College London Hospitals, London, Großbritannien

Emilie Martinoni Hoogenboom, Fleur Monk, James W. Holding, Junaid Choudhary, Kunal Bhakhri, Marco Scarci, Martin Hayward, Nikolaos Panagiotopoulos, Pat Gorman, Robert CM. Stephens, Yien Ning Sophia Wong & Steve Bandula

Das Institute of Cancer Research, London, Großbritannien

Anca Grapa, Hanyun Zhang, Khalid AbdulJabbar und Xiaoxi Pan

Das MD Anderson Cancer Center der University of Texas, Houston, TX, USA

Yinyin Yuan

Independent Cancer Patients' Voice, London, Großbritannien

David Chuter und Mairead MacKenzie

University Hospital Southampton NHS Foundation Trust, Southampton, Großbritannien

Serena Chee, Aiman Alzetani, Lydia Scarlett, Jennifer Richards, Papawadee Ingram und Silvia Austin

Abteilung für Onkologie, University Hospital Southampton NHS Foundation Trust, Southampton, Großbritannien

Judith-Höhle

Akademische Abteilung für Thoraxchirurgie, Imperial College London, London, Großbritannien

Eric Lim

Royal Brompton und Harefield Hospitals, Guy's and St Thomas' NHS Foundation Trust, London, Großbritannien

Eric Lim, Paulo De Sousa, Simon Jordan, Alexandra Rice, Hilgardt Raubenheimer, Harshil Bhayani, Lyn Ambrose, Anand Devaraj, Hema Chavan, Sofina Begum, Silviu I. Buderi, Daniel Kaniu, Mpho Malima, Sarah Booth, Nadia Fernandes, Pratibha Shah & Chiara Proli

Abteilung für Histopathologie, Royal Brompton and Harefield Hospitals, Guy's and St Thomas' NHS Foundation Trust, London, Großbritannien

Andrew G. Nicholson

National Heart and Lung Institute, Imperial College London, London, Großbritannien

Andrew G. Nicholson

Royal Surrey Hospital, Royal Surrey Hospitals NHS Foundation Trust, Guilford, Großbritannien

Madeleine Hewish

Universität Surrey, Guilford, Großbritannien

Madeleine Hewish

Sheffield Teaching Hospitals NHS Foundation Trust, Sheffield, Großbritannien

Sarah Danson

Liverpool Heart and Chest Hospital, Liverpool, Großbritannien

Michael J. Shackcloth

Princess Alexandra Hospital, The Princess Alexandra Hospital NHS Trust, Harlow, Großbritannien

Lily Robinson und Peter Russell

School of Cancer Sciences, University of Glasgow, Glasgow, Großbritannien

Kevin G. Blyth & John Le Quesne

Cancer Research UK Beatson Institute, Glasgow, Großbritannien

Kevin G. Blyth & John Le Quesne

Queen Elizabeth University Hospital, Glasgow, Großbritannien

Kevin G. Blyth

NHS Greater Glasgow und Clyde, Glasgow, Großbritannien

Craig Dick

Pathologische Abteilung, Queen Elizabeth University Hospital, NHS Greater Glasgow und Clyde, Glasgow, Großbritannien

John Le Quesne

Golden Jubilee National Hospital, Clydebank, Großbritannien

Alan Kirk, Mo Asif, Rocco Bilancia, Nikos Kostoulas und Mathew Thomas

Sie können diesen Autor auch in PubMed Google Scholar suchen

CA, AMF, NJB, NM und CS haben das Manuskript gemeinsam geschrieben. CA, AMF, NJB, JS und CS konzipierten das Studiendesign. CA, AMF, JK, KG, CP, DB, TLC, JW, CM-R., MAB, OP, TBKW, ELL, A. Hübner, DAM, R. Salgado., FG, AJP, EM, DEC, CTH, MJ-H. und NJB integrierte klinisch-pathologische Daten, transkriptomische Daten, Exomdaten und ctDNA-Daten. CA, TH, AG, AL, JS, MRS, KL, LJ, CP und CS arbeiteten an der Entwicklung und Validierung des in diesem Manuskript verwendeten MRD-Aufrufalgorithmus. AMF entwickelte ECLIPSE und führte Analysen der in diesem Manuskript verwendeten klonalen Zusammensetzung durch. AG, MM, AC, LJ, PR und RDD führten AMP NGS-Experimente für ctDNA-Daten durch. KG führte eine GISTIC-Kopienzahlanalyse durch. SV, SW, NC, JR, RDD, MM, AC und JAS überwachten die Lagerung von TRACERx-Patientenproben und/oder die DNA-Extraktion und/oder Sequenzierung von Patientenproben. TLC, JW und HJWLA führten radiomische Analysen der CT-Basisscans durch. TH, MRS, AG, AS, AO und AL führten die Auswahl der ArcherDx-Variante, das PSP-Design und die Informationsverarbeitung der AMP-Daten durch. AMF, KG, MAB, OP, TBKW, ELL, A. Huebner, DEC und NM führten Multiregion-Sequenzierung und phylogenetische Baumanalysen durch und identifizierten TRACERx-Varianten für das PSP-Design. DAM führte die pathologische Untersuchung durch. A. L'Hernault, AG, LH, PR, HB und NG-H. entwarf und führte analytische Validierungsexperimente des AMP-MRD-Assays durch. CA und TH haben In-silico-Spezifitätsexperimente für den AMP-Assay entworfen und durchgeführt. DB und NJB führten ORACLE-Analysen durch. CA und TK führten Überprüfungen radiologischer Bildgebungsberichte durch. RMK, DH, DS, GIE und JCB gaben Ratschläge zu den in diesem Dokument durchgeführten Analysen. MJ-H., JAS und CS haben die Studienprotokolle entworfen. A. Hackshaw gab statistische Ratschläge. CA, NM, MJ-H., NJB und CS übernahmen die Gesamtaufsicht über die Studie. Alle Autoren stimmten der endgültigen Fassung des Manuskripts zu.

Korrespondenz mit Christopher Abbosh, Nicholas McGranahan oder Charles Swanton.

CA hat Vortragshonorare oder Spesen von AstraZeneca und Bristol-Myers Squibb erhalten und meldet eine Anstellung bei AstraZeneca. CA und CS sind als Erfinder in einer europäischen Patentanmeldung aufgeführt, die sich auf eine Testtechnologie zur Erkennung von Tumorrezidiven bezieht (PCT/GB2017/053289). Dieses Patent wurde an kommerzielle Unternehmen lizenziert und gemäß ihren Beschäftigungsbedingungen haben CA und CS Anspruch auf einen Umsatzanteil an allen Einnahmen, die mit dieser/n Lizenz(en) erzielt werden. CA und CS melden eine Patentanmeldung (PCT/US2017/028013) für Methoden zur Erkennung von Lungenkrebs an. AMF, CA und CS werden als Erfinder einer Patentanmeldung zur Bestimmung von Methoden und Systemen zur Tumorüberwachung (PCT/EP2022/077987) genannt. CA, CS, KL, CP, TH, LJ, MRS, AG und A. Licon sind benannte Erfinder eines vorläufigen Patentschutzes im Zusammenhang mit einem ctDNA-Erkennungsalgorithmus. SV ist als Miterfinder eines Patents für Methoden zum Nachweis von Molekülen in einer Probe aufgeführt (US-Patent 10.578.620). TH, AG, MM, AC, AS, AO, LJ, PR, MRS, RDD, AL und JS sind ehemalige oder aktuelle Mitarbeiter von Invitae oder ArcherDx und melden Aktienbesitz. DB meldet persönliche Gebühren von NanoString und AstraZeneca und hat eine Patentanmeldung (PCT/GB2020/050221) für Methoden zur Krebsprognose. MAB hat Achilles Therapeutics beraten. DAM meldet Rednerhonorare von AstraZeneca, Eli Lilly und Takeda; Beratungshonorare von AstraZeneca, Thermo Fisher Scientific, Takeda, Amgen, Janssen, MIM Software, Bristol-Myers Squibb und Eli Lilly; und erhielt pädagogische Unterstützung von Takeda und Amgen. NG-H., A. L'Hernault, HB, DH, DS und JCB berichten über Aktienbesitz und Beschäftigung bei AstraZeneca. A. Hackshaw erhielt Honorare für seine Mitgliedschaft in unabhängigen Datenüberwachungsausschüssen für von Roche gesponserte klinische Studien und für von Roche koordinierte akademische Projekte. CTH hat Rednerhonorare von AstraZeneca erhalten. MJ-H. war Berater und Mitglied des wissenschaftlichen Beirats und Lenkungsausschusses von Achilles Therapeutics; erhielt Rednerhonorare von Pfizer, Astex Pharmaceuticals und dem Oslo Cancer Cluster; und ist als Miterfinder in einer europäischen Patentanmeldung zu Methoden zur Erkennung von Lungenkrebs aufgeführt (PCT/US2017/028013). Dieses Patent wurde an kommerzielle Unternehmen und im Rahmen der Beschäftigungsbedingungen an MJ-H lizenziert. Anspruch auf einen Anteil aller Einnahmen aus der/den solchen Lizenz(en). NJB ist als Miterfinder eines Patents zur Identifizierung von Respondern auf eine Krebsbehandlung (PCT/GB2018/051912) aufgeführt, hat eine Patentanmeldung (PCT/GB2020/050221) für Methoden zur Krebsprognose und ein Patent für Methoden zur Vorhersage anti- Krebsreaktion (US14/466.208). HJWLA hat persönliche Honorare und Aktien von Onc.AI, Sphera und Love Health sowie Vortragshonorare von Bristol-Myers Squibb erhalten. KL verfügt über ein Patent (CA3068366A) auf Indel-Belastung und CPI-Antwort ausstehend sowie Rednerhonorare von Roche Tissue Diagnostics und Ellipses Pharmaceuticals, Forschungsgelder von der CRUK TDL/Ono/LifeArc-Allianz, Genesis Therapeutics und Beratungsfunktionen bei Monopteros Therapeutics und Kynos Therapeutics (alle außerhalb). dieser Arbeit). NM hat Beratungshonorare erhalten und verfügt über Aktienoptionen an Achilles Therapeutics; und hält europäische Patente im Zusammenhang mit der gezielten Bekämpfung von Neoantigenen (PCT/EP2016/059401), der Identifizierung der Patientenreaktion auf eine Immun-Checkpoint-Blockade (PCT/EP2016/071471), der Bestimmung von HLA LOH (PCT/GB2018/052004) und der Vorhersage der Überlebensraten von Krebspatienten ( PCT/GB2020/050221). CS dankt für Zuschüsse von AstraZeneca, Boehringer-Ingelheim, Bristol-Myers Squibb, Pfizer, Roche-Ventana, Invitae (vormals Archer Dx, Zusammenarbeit bei Technologien zur Sequenzierung minimaler Resterkrankungen), Ono Pharmaceutical und Personalis; Er ist Mitglied des Beirats von AstraZeneca und Chefforscher für die klinischen Studien AZ MeRmaiD 1 und 2 sowie Co-Chefforscher der von GRAIL finanzierten NHS Galleri-Studie und bezahltes Mitglied des wissenschaftlichen Beirats von GRAIL. Er erhält Beraterhonorare von Achilles Therapeutics (ebenfalls Mitglied des wissenschaftlichen Beirats), Bicycle Therapeutics (ebenfalls Mitglied des wissenschaftlichen Beirats), Genentech, Medicxi, Roche Innovation Centre–Shanghai, Metabomed (bis Juli 2022) und der Sarah Kanonenforschungsinstitut; hat Honorare von Amgen, AstraZeneca, Pfizer, Novartis, GlaxoSmithKline, MSD, Bristol-Myers Squibb, Illumina und Roche-Ventana erhalten; hatte bis Juni 2021 Aktienoptionen bei Apogen Biotechnologies und GRAIL und verfügt derzeit über Aktienoptionen bei Epic Bioscience und Bicycle Therapeutics sowie Aktienoptionen und ist Mitbegründer von Achilles Therapeutics; und hält weitere Patentanmeldungen im Zusammenhang mit der gezielten Bekämpfung von Neoantigenen (PCT/EP2016/059401), der Identifizierung der Patientenreaktion auf eine Immun-Checkpoint-Blockade (PCT/EP2016/071471), der Bestimmung von HLA LOH (PCT/GB2018/052004) und der Vorhersage der Überlebensraten von Krebspatienten (PCT/GB2020/050221), Identifizierung von Patienten, die auf eine Krebsbehandlung ansprechen (PCT/GB2018/051912) und eine europäische und US-Patentanmeldung zur Identifizierung von Insertions-/Deletionsmutationszielen (PCT/GB2018/051892).

Nature dankt Aadel Chaudhuri und den anderen, anonymen Gutachtern für ihren Beitrag zum Peer-Review dieser Arbeit.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

A. Gestapeltes Balkendiagramm patientenspezifischer Panels (PSPs), die aus primären Tumorsequenzierungsdaten erstellt wurden und die Anzahl der klonalen (dunkelrot) und subklonalen (hellrot) Varianten pro Panel zeigen. Varianten ohne Klonalitätsinformationen werden grau angezeigt (Median von 3 Varianten pro Patient [1-20], diese Mutationen werden entweder nicht mehr von TRACERx aufgerufen oder von ArcherDx, aber nicht von TRACERx, aufgerufen, siehe Methoden). Ein Median von 126 klonalen Varianten (Bereich 21 bis 195) und 64 subklonalen Varianten (Bereich 0 bis 174) wurden von den PSPs verfolgt. Die Klonalität wurde durch PyClone-Analysen von Multiregion-Exomdaten bestimmt, die aus primären Resektionen von NSCLC (Methoden) abgeleitet wurden. In Ermangelung von PyClone-Daten wurden Varianten, die in allen Multiregion-sequenzierten Tumorproben vorhanden waren, als klonal bezeichnet. B. Violin-Diagramm, das den Prozentsatz der subklonalen Cluster zeigt, die aus multiregionalen Tumorexomdaten abgeleitet wurden, die von PSPs pro Patient verfolgt wurden. Im Mittel wurden 88 % der subklonalen Mutationscluster, die im aus mehreren Regionen des Exoms abgeleiteten phylogenetischen Stammbaum jedes Patienten vorhanden waren, verfolgt [Bereich 0–100]. 184 Tumoren mit phylogenetischen Bäumen wurden eingeschlossen. C. Verteilung der cfDNA-Eingabewerte für die Kohorte, mittlere Eingabe von 23 ng, n = 1069 Proben. Für einige der Kohorten wurde eine Kappung bei 60 ng Input durchgeführt, was den Peak bei diesem Wert erklärt; Für den Rest der Kohorte wurde die gesamte extrahierte cfDNA in den Assay eingegeben (Farben repräsentieren verschiedene cfDNA-Eingabekategorien, wie angegeben). D. Histogramm, das die Verteilung der eindeutigen Sequenzierungstiefenwerte pro Variante in der Kohorte zeigt; Die eindeutige Tiefe bezieht sich auf die fehlerkontrollierte Tiefe, die über eine von einem PSP anvisierte Position erreicht wird (mindestens 5 UMI-Matched-Reads (Unique Molecular Identifier) sind erforderlich, um einen konsensfehlergesteuerten Read zu erstellen, siehe Methoden). Die mittlere eindeutige Tiefe pro Variante, die von einem PSP verfolgt wurde, betrug 2226x (Bereich 0 bis 53789x, n = 201910). E. Korrelation zwischen der cfDNA-Eingabe (ng, Y-Achse) in den Assay und der mittleren UMI-korrigierten Tiefe, die über einen PSP über 1069 Plasmazeitpunkte hinweg erreicht wurde (X-Achse). Spearmans R-Wert = 0,63 und zweiseitiger P-Wert < 2,2e-16. F. Zusammenhang zwischen dem in einer Probe erreichten mittleren Deduplikationsverhältnis (Y-Achse) und der cfDNA-Eingabe in den Assay (ng, X-Achse); Die Duplikationsrate bezieht sich auf die mittlere Anzahl doppelter UMI-unterstützter Lesevorgänge innerhalb einer Lesefamilie. Die Neusequenzierung von Proben, bei denen das mittlere Duplikationsverhältnis weniger als 10 betrug, wurde nach Möglichkeit durchgeführt, um die wiederherstellbaren Informationen aus cfDNA-Proben zu maximieren, da für die Erstellung einer UMI-Familie 5 UMI-unterstützte Lesevorgänge erforderlich sind. 17 von 1069 ausgewerteten cfDNA-Proben wiesen eine endgültige mittlere Deduplikationsrate von weniger als 5 auf (entspricht der horizontalen Linie im Diagramm). Die Farben entsprechen verschiedenen cfDNA-Eingabekategorien und entsprechen dem Panel c. GH. Boxplots, die die Fehlerraten (%, Y-Achse) für jeden der 96 Mutationstrinukleotidkontexte (X-Achse, 192 Mutationstrinukleotidkontexte [TNCs] vereinfacht auf 96 Reverse-Komplement-identische Mutationstypen) zeigen, Diagramme geteilt durch Übergangsereignis (G) und Transversion Ereignis (H). Hintergrundpositionsdaten von n = 1069 zellfreien DNA-Bibliotheken, die zur Erstellung von Plots verwendet wurden, Varianten, von denen aus Pilotdatenanalysen vorhergesagt wurde, dass sie niedrige Hintergrundfehlerraten aufweisen, wurden für das PSP-Design priorisiert. Scharniere entsprechen dem ersten und dritten Quartil, Whiskers erstrecken sich bis zum größten/kleinsten Wert, nicht weiter als das 1,5-fache des Interquartilbereichs. Mittellinien stellen Mediane dar.

ANZEIGE. Prä- und postoperative MRD-Caller-P-Werte (Y-Achse MRD-Caller-P-Wert, einseitiger Poisson-Test, siehe Methoden), beobachtet in der Pilotphase des Projekts. Die X-Achse zeigt die klonalen ctDNA-Spiegel an. A. Postoperative Proben von n = 5 Patienten, bei denen kein NSCLC-Rezidiv auftrat; Alle n = 55 Patientenproben wiesen Caller-P-Werte über dem Schwellenwert P > 0,1 auf, was bedeutet, dass sie als ctDNA-negativ eingestuft wurden. B. Postoperative Caller-P-Werte, beobachtet bei n = 5 Patienten, die einen Rückfall ihres NSCLC hatten. Einer von 13 Anrufen wurde mit einem Anrufer-P-Wert von 0,1 bis 0,01 getätigt, die restlichen 12 Anrufe wurden mit einem Anrufer-P-Wert von weniger als 0,01 getätigt. C. Präoperative ctDNA-Anrufe aus der Pilotkohorte; 7 Patienten hatten vor der Operation positive ctDNA im Plasma, alle Anrufe erfolgten bei Anrufer-P-Werten < 0,01. D. In-silico-Simulationsanalyse zur Beurteilung der MRD-Anruferspezifität. In den auswertbaren Pilotpatientenbibliotheken wurden 3157 Schein-MRD-Panels erstellt und die MRD-Caller-P-Werte bewertet. Bei einem Caller-P-Wert < 0,1 Schwellenwert waren 121/3157 simulierte Mock-Panels ctDNA-positiv (In-silico-Spezifität von 96,2 %); Bei einem Caller-P-Wert-Schwellenwert < 0,01 waren 22/3157 simulierte Mock-Panels ctDNA-positiv (In-silico-Spezifität von 99,3 %). EF. Analytische Validierung von 50 Varianten-MRD-Nachweispanels. E. Fragmentierte DNA mit einem bekannten SNP-Profil (Single Nucleotide Polymorphism) wurde in einen zweiten Hintergrund aus fragmentierter DNA mit einem anderen SNP-Profil gespikt, und ein patientenspezifisches Panel zielte auf 50 alternative Positionen, die in der gespikten DNA vorhanden waren. 559 Datenpunkte wurden über verschiedene angegebene DNA-Eingabemengen hinweg generiert, um die Nachweisgrenzen-Plots festzulegen. Die Y-Achse und die Mitte der Fehlerbalken zeigen die Empfindlichkeit (definiert als der Anteil aller Wiederholungen, die bei einem Caller-P-Wert von 0,01 zur MRD-Erkennung führten). Die Konfidenzintervalle im Diagramm sind Clopper-Pearson-Konfidenzintervalle (95 %-KI). Die X-Achse zeigt die Menge an unterschiedlicher Keimbahn-DNA, die in jede Wiederholung gegeben wurde, ausgedrückt als Prozentsatz der gesamten DNA in dieser Probe. F. Zirkulierende Tumor-DNA-Proben mit hochvarianten Allelfraktionen wurden in einen anderen zellfreien DNA-Hintergrund gegeben. Variantenpositionen in der ctDNA wurden mit einem 50-Varianten-Panel gezielt ausgewählt; Über die angegebenen DNA-Eingabemengen wurden 100 Datenpunkte generiert. Achsen und Fehlerbalken sind die gleichen wie bei (E). G. Daten aus Analysen von 48 Leerproben, die von 24 gesunden Teilnehmern gespendet wurden, Anrufer-P-Werte werden angezeigt. H. Barplots, die die beabsichtigten Allelfrequenzen und die gemessenen Allelfrequenzen in den verschiedenen Spike-Ins zeigen, die in Teil (E) und Teil (F) dargestellt sind. Es werden nur Daten von Varianten-DNA-positiven Proben präsentiert. Die Farben des Balkendiagramms stellen unterschiedliche DNA-Input-Massen dar, wie in der Legende dargestellt. Die Fehlerbalken im Diagramm stellen den Mittelwert aller positiven Spike-in-Proben +/- Standardabweichung der Werte dar. Fehlt der Fehlerbalken, liegt dies daran, dass bei diesem Spike-In-Level und dieser DNA-Input-Masse nur eine positive Probe beobachtet wurde. Wenn der Fehlerbalken zu einem beobachteten mittleren AF von weniger als 0 führte, wurde der Fehlerbalken zu Visualisierungszwecken bei 0 gestoppt (der Fall von 0,05 % Spike-in, 2 ng Eingabemasse). Die horizontalen gestrichelten Linien entsprechen den Spike-in-Kategorien 0,1 %, 0,05 % und 0,01 %. Jeder Datenpunkt wird in den Diagrammen durch einen Kreis dargestellt. n = 369 Varianten-DNA-positive Proben werden im LOD1-Balkendiagramm angezeigt, n = 93 Varianten-DNA-positive Proben werden im LOD2-Balkendiagramm angezeigt. I. Vergleich zwischen dem Gehalt an zellfreier DNA, die in ddPCR-Reaktionen (gelb) und AMP-PCR-Reaktionen (blau) eingegeben wird. Scharniere entsprechen dem ersten und dritten Quartil, Whiskers erstrecken sich bis zum größten/kleinsten Wert, nicht weiter als das 1,5-fache des Interquartilbereichs. Mittellinien stellen Mediane dar. Jeder Punkt im Diagramm stellt einen Datenpunkt dar, Linien verbinden gepaarte Proben desselben Patienten. Deutlich mehr zellfreie DNA wurde in ddPCR-Reaktionen eingegeben (gepaarter zweiseitiger Wilcoxon-Test P = 0,01366). J. Orthogonaler Vergleich zwischen der ctDNA-Detektion basierend auf AMP-Panels, die in TRACERx und ddPCR verwendet werden, mit einer einzelnen klonalen Variante. Der ddPCR-ctDNA-Positiv-Call-Schwellenwert lag bei zwei mutierten Tröpfchen (untere Tabelle) und einem mutierten Tröpfchen (obere Tabelle). In der Tabelle werden die prozentuale positive Übereinstimmung (PPA) und die prozentuale negative Übereinstimmung (NPA) unter Verwendung von ddPCR als Komparator angezeigt. Die P-Werte des zweiseitigen Fisher-Tests werden in den Kreuztabellen dargestellt. K. Ein patientenspezifisches Panel mit 300 Mutationen wurde entworfen und auf 10-ng-DNA-Proben mit Spike-in-Variantenwerten von 0 % bis 0,1 % angewendet. Es wurde eine In-silico-Unterstichprobe der 300 Mutationen durchgeführt (3 x 200-Mutation-in-Silico-Panels, 3x 100-Mutation-in-Silico-Panels und 3x 50-Mutation-in-Silico-Panels, siehe Methoden) und die Empfindlichkeiten werden nach der Anzahl der Mutationen, auf die das Panel abzielt, kategorisiert .

Ein Flussdiagramm, das die verschiedenen in diesem Manuskript analysierten Kohorten zeigt; Der obere Teil des Flussdiagramms zeigt die Gesamtzahl der Plasmaproben, die analysiert werden sollten (n = 1095 von 197 Patienten), die sich aufgrund von Einzelnukleotid-Polymorphismus-Nichtübereinstimmungen zwischen cfDNA- und Gewebe-Exom-Daten in 26 Fällen auf 1069 Proben reduzierte, was darauf hindeutet Probentausch. Diese Proben wurden in drei Hauptkohorten analysiert: der Pilotkohorte (links), der präoperativen Kohorte (Mitte) und der postoperativen Kohorte (rechts). Die postoperative Kohorte wurde auf der Grundlage der bahnbrechenden Auswertbarkeit (in Bezug auf Proben, die innerhalb von 120 Tagen nach der Operation gespendet wurden, um eine bahnbrechende ctDNA-Analyse zu ermöglichen) in verschiedene Kategorien eingeteilt. B. Heatmap, die einzelne tumorspezifische klonale ctDNA-Fraktionen bei Patienten mit zu Studienbeginn diagnostizierten synchronen Primärtumoren zeigt. Die Anmerkungszeilen der Heatmap zeigen den in dieser Probe vorhandenen ctDNA-Call über alle vom MRD-Caller abgefragten Varianten, das höchste pathologische TNM-Stadium, die individuelle Histologie und die individuellen Tumorvolumina der beiden zu Studienbeginn vorhandenen synchronen Tumoren (für diese Kategorie Grau bedeutet fehlende Daten oder nicht auswertbares Volumen). C. Boxplot, das den Unterschied in der Packungsjahresgeschichte von 187 präoperativen ctDNA-positiven NSCLC-Patienten und präoperativen ctDNA-negativen NSCLC-Patienten zeigt. Scharniere entsprechen dem ersten und dritten Quartil, Whiskers erstrecken sich bis zum größten/kleinsten Wert, nicht weiter als das 1,5-fache des Interquartilbereichs. Mittellinien stellen Mediane dar. Der P-Wert stellt einen Wilcoxon-Rangsummentest dar. D. Kaplan-Meier-Kurven, die die Ergebnisse der Freiheit von Rezidiven bei einzelnen Patienten mit primärem Adenokarzinom (links) und einzelnen Patienten mit primärem Nicht-Adenokarzinom (rechts) mit hohem ctDNA-Wert (dunkelrot), niedrigem ctDNA-Wert (blau) und negativem ctDNA-Wert (grau) zeigen. Die hohen und niedrigen ctDNA-Werte wurden basierend auf den mittleren klonalen ctDNA-Werten in ctDNA-positiven Fällen kategorisiert und beziehen sich auf über und unter 0,16 %. In jedem Diagramm werden Log-Rank-P-Werte angezeigt. E. Multivariable Cox-Regressionsanalysen des Gesamtüberlebens (OS) und der Rezidivfreiheit (Freedom From Recurrence, FFR, definiert als nur Rezidiv) bei Patienten mit einzelnem (nicht synchronem) NSCLC; Bewertung des ctDNA-Nachweisstatus, des pTNM-Stadiums (pathologisches Stadium der Tumorknotenmetastasierung Version 7, Kategorien I, II oder III), ob eine adjuvante Therapie verabreicht wurde, Alter und log10-transformierte eindeutige Sequenzierungstiefe als Prädiktoren für Adenokarzinome und Nicht-Adenokarzinome getrennt. Es wurde eine einzigartige Sequenzierungstiefe einbezogen, um unzureichend sequenzierte Proben auszugleichen, die potenziell falsch-negative Ergebnisse darstellen. n = 88 Patienten mit Adenokarzinom und n = 81 Patienten ohne Adenokarzinom wurden auf FFR und OS analysiert. Auf den Waldparzellen stellt die Raute das multivariable Hazard Ratio (HR) dar, wobei die Fehlerbalken 95 %-Konfidenzintervallen (CI) entsprechen. Multivariable P-Werte (p) werden im Diagramm zusammen mit der Anzahl der Patienten in jeder Kategorie (N) angezeigt. Referenzkategorien waren ctDNA-positive Patienten, Patienten im pTNM-Stadium I und Patienten unter adjuvanter Therapie. Der genaue Cox-Regressions-P-Wert für die Kategorie „Ergebnis: ctDNA -ve“ im FFR-Adenokarzinom-Diagramm = 0,00022. F. Heatmap, die den Ort des Rückfalls in Fällen von rezidivierendem Adenokarzinom zeigt, geteilt durch die Frage, ob präoperative ctDNA nachgewiesen wurde (dunkelrot, rechts) oder nicht nachgewiesen wurde (grau, links). Es werden intrathorakale (Mediastinum, lokoregionale, ipsilaterale Lunge, entfernte Lunge – grüne Farben) oder extrathorakale (Knochen, Gehirn, Leber, Nebenniere, extrathorakale Lymphknoten oder andere extrathorakale Stellen – rote Farben) Rezidivstellen angezeigt (die angezeigten Stellen sind innerhalb diagnostizierter Metastasen). 180 Tage klinischer Rückfall). Die Heatmap ist mit dem pathologischen Stadium der Tumorknotenmetastasierung Version 7 versehen. G. Kaplan-Meier-Kurve, die das Überleben nach einem Rückfall bei Patienten mit rezidivierendem Adenokarzinom (n = 38) zeigt, stratifiziert nach präoperativer ctDNA-positiv (rot) oder präoperativer ctDNA-negativ (grau). Der Log-Rank-P-Wert wird im Diagramm angezeigt.

A. Flussdiagramm, das die für volumetrische Analysen verfügbaren Patienten und die Gründe für den Ausschluss zeigt. B. Histogramm, das die Anzahl der NSCLC-Fälle nach Volumen zeigt, wobei ctDNA-positive Proben als rote Balken und ctDNA-negative Proben als graue Balken dargestellt werden. n = 150 volumenauswertbare Fälle. C. Volumen-gegen-log10-transformiertes klonales ctDNA-Korrelationsdiagramm mit jedem einzelnen TRACERx-Fall, der ctDNA-positiv war, als Punkt und gefärbt nach Adenokarzinomstatus (dunkelrot) und Plattenepithelkarzinom oder anderer Histologie (dunkelblau). Die angepasste Linie stellt eine lineare Modelllinie dar, die nach Tumorhistologie kategorisiert ist. Unter dem Korrelationsdiagramm befindet sich eine Tabelle, die ein lineares multivariables Modell beschreibt, das auf diesen Daten basiert, um log10-transformierte klonale ctDNA-Spiegel basierend auf Tumorvolumen und Histologie (Adenokarzinom und Plattenepithelkarzinom und andere Kategorien) vorherzusagen. P-Werte stellen lineare, modellbereinigte P-Werte dar, n = 96 analysierte ctDNA-positive, volumenauswertbare NSCLCs. D. Basierend auf einem multivariablen linearen Regressionsmodell, das an die Daten in (C) angepasst wurde, haben wir ctDNA-negative Adenokarzinome als biologische Low-Shedder oder technische Non-Shedder kategorisiert (siehe Methoden). Wenn ein bestimmtes Tumorvolumen zu einem geschätzten klonalen Mutations-ctDNA-Spiegel über dem klonalen ctDNA-Spiegel führte, konnte eine Bibliothek erkennen (95 % unteres Konfidenzintervall für den geschätzten klonalen ctDNA-Spiegel basierend auf dem Tumorvolumen liegt über dem nachweisbaren klonalen ctDNA-Spiegel in der präoperativen cfDNA-Bibliothek). Patient), dann wurde der Fall als wahrscheinlicher biologischer Low-Shedder (rot im Histogramm) eingestuft; andernfalls wurde der Fall als wahrscheinlicher technischer Non-Shedder (türkis im Histogramm) eingestuft. Die Y-Achse stellt die untere 95 %-Konfidenzschätzung für den ctDNA-Spiegel der klonalen Mutation dividiert durch den ctDNA-Spiegel der minimal nachweisbaren klonalen Mutation (MDCL) für das Panel dieses Patienten dar. Auf der X-Achse wird jeder einzelne Patient analysiert. Es werden Daten von n = 47 ctDNA-negativen Adenokarzinomen vorgestellt. E. Violin-Boxplots zum Vergleich der Tumorreinheit bei ctDNA-Low-Shedding-Adenokarzinomen (blau, n = 79 Tumorregionen von 28 Patienten) und ctDNA-positiven Adenokarzinomen (rot, n = 166 Tumor- und Lymphknotenregionen von 35 Patienten). Paarweise Vergleiche werden mithilfe linearer Mixed-Effects-Modelle durchgeführt, die P-Werte sind zweiseitig. Boxplot-Scharniere entsprechen dem ersten und dritten Quartil, Whiskers erstrecken sich bis zum größten/kleinsten Wert, nicht weiter als das 1,5-fache des Interquartilbereichs, und Mittellinien stellen Mediane dar. Violinen repräsentieren die Verteilung der zugrunde liegenden Daten. F. Barplots, die Treiberveränderungen auf Genebene zwischen ctDNA-positiven Adenokarzinomen (n = 39 Patienten) und ctDNA-negativen Low-Shedding-Adenokarzinomen (n = 31 Patienten) zeigen. Die Farben kennzeichnen den ctDNA-Erkennungsstatus. Die Y-Achse zeigt die 14 am häufigsten veränderten Gene, die X-Achse zeigt den Prozentsatz der Patienten, die eine Veränderung im Gen pro Erkennungskategorie tragen. NS: Nicht signifikant (zweiseitiger exakter Test nach Fisher mit Anpassung des FDR-P-Werts). G. Treibermutationen auf Pathway-Ebene zwischen ctDNA-positiven Adenokarzinomen (n = 39 Patienten) und ctDNA-negativen Low-Shedding-Adenokarzinomen (n = 31 Patienten). Die X-Achse zeigt Patienten-IDs, die Y-Achse zeigt Pfade gemäß der Sanchez-Vega-Definition. Der obere Balken zeigt den ctDNA-Erkennungsstatus an (dunkelrot steht für ctDNA-Positive, blau steht für biologische Low-Sheder). Heatmap-Farben zeigen Mutationen an; Blau steht für klonale Mutationen und Rot für subklonale Mutationen. Kein Weg zeigte eine signifikante Anreicherung, weder bei ctDNA-Shedder- noch bei Non-Shedder-Adenokarzinomen (NS: Nicht signifikant, unter Verwendung des zweiseitigen exakten Fisher-Tests mit Anpassung des FDR-P-Werts). H. Verdoppelungsstatus des gesamten Genoms pro Tumor, Vergleich von ctDNA-positiven Adenokarzinomen mit ctDNA-negativen Low-Shedding-Adenokarzinomen unter Verwendung des zweiseitigen exakten Fisher-Tests. Gelb stellt die Anzahl der Tumoren dar, die in mindestens einer Region einer Verdoppelung des Gesamtgenoms unterzogen wurden, Türkis stellt Tumore ohne Verdoppelung des Gesamtgenoms dar. I. Volumen nach ctDNA-Ausscheidungsstatus. Biologische Nichtausscheider in Rot stellen die Proben mit dem kleinsten Quartil dar. Nachdem diese aus der Analyse entfernt wurden, wurde kein signifikanter Unterschied im Tumorvolumen zwischen ctDNA-Positiven und ctDNA-Low-Sheddern festgestellt. Paarweise Vergleiche werden mit zweiseitigen Wilcoxon-Rangsummentests durchgeführt. J. Venn-Diagramm, das die Überlappung zwischen signifikant unterschiedlich exprimierten Genen zwischen ctDNA-positiven und ctDNA-Low-Shedder-Adenokarzinomen zeigt, die aus dem vollständigen Datensatz im Vergleich zum volumenangepassten Datensatz erhalten wurden. Vergleiche werden durchgeführt, indem der Jaccard-Ähnlichkeitsindex und der entsprechende zweiseitige P-Wert mithilfe der exakten Methode berechnet werden. K. Venn-Diagramm, das die Überlappung zwischen signifikant veränderten Zytobändern gemäß GISTIC zeigt und ctDNA-positive mit ctDNA-Low-Shedding-Adenokarzinomen aus dem vollständigen Datensatz im Vergleich zum volumenangepassten Datensatz vergleicht. Statistische Tests folgen (J).

A. Tabelle mit Einzelheiten zu unerwarteten ctDNA-positiven Ergebnissen bei Patienten, bei denen kein Krankheitsrezidiv auftrat. B. CRUK0498 Falsch-Positiv-Analyse: Punktdiagramme stellen sicher erkannte Varianten zu den dargestellten cfDNA-Probenahmezeitpunkten (linkes Feld) dar, Varianten, die sicher in normalem Gewebe, Kontroll-DNA und DNA peripherer mononukleärer Blutzellen (PBMC, Buffy-Coat) nachgewiesen wurden Anwendung des patientenspezifischen Panels von CRUK0498 auf diese jeweiligen Proben (mittleres Panel) und die mutierten Allelfrequenzen ausgewählter Varianten in Tumorgewebe-Exomdaten (rechtes Panel). Die vier Varianten in der Legende (Varianten in den Genen ATP2C1, DDIT4L, EYS und TUSC3) stellen Varianten dar, die zu 50 % oder mehr der Zeitpunkte in den cfDNA-Proben sicher aufgerufen wurden (beachten Sie, dass „sicher aufgerufen“ einen einseitigen Poisson-P-Wert einer einzelnen Variante bedeutet von <0,01 [vom MRD-Aufrufer generiert, siehe Methoden]). C. Ein Hämatoxylin- und Eosinbild vom Tumor des Patienten CRUK0498, bei dem die Exomanalyse die Varianten in den Genen ATP2C1, DDIT4L, EYS und TUSC3 bei hohen Varianten-Allelfrequenzen entdeckte. Dieses Bild zeigt eine dichte Lymphozytenansammlung in dieser Tumorregion. Maßstabsleiste unter dem Bild. Ein einzelnes Bild wurde analysiert. D. Weitere 19 präoperative PBMC-Proben wurden von TRACERx-Patienten analysiert; In den PBMC-Proben dieser Patienten wurden unter Verwendung des MRD-Calling-Algorithmus keine zuverlässigen Panel-weiten Varianten-DNA-Calls durchgeführt. E. Analysen auf Variantenebene der in Panel (D) analysierten präoperativen PBMC-Proben zeigten, dass 12 von 3621 von den Panels abgefragten Varianten erkannt wurden (einseitiger Poisson-P-Wert auf Variantenebene < 0,01). 8 von 12 erkannten Varianten wurden aus dem MRD-Caller-Algorithmus in zellfreien DNA-Analysen (cfDNA) entfernt, da in der Heatmap-Anmerkung hervorgehobene Auslösefilter vorhanden waren. Nur 2 der 4 verbleibenden Varianten enthielten tiefe alternative Messwerte in der präoperativen cfDNA-Probe der jeweiligen Patienten (rote Pfeile). Die Heatmap zeigt die Allelhäufigkeit der cfDNA-Variante und die Allelhäufigkeit der WBC-Variante der erkannten Varianten (graue Farbe bedeutet, dass die Variante nicht erkannt wurde). Zwei fehlgeleitete Keimbahnvarianten werden durch schwarze Pfeile für den Patienten CRUK0296 hervorgehoben. Varianten wurden fälschlicherweise von der Design-Pipeline des Branchenpanels, aber nicht von der TRACERx-Exom-Pipeline (Methoden) als Ziel ausgewählt und aufgrund der Auslösung des Ausreißerfilters aus dem MRD-Aufrufalgorithmus gefiltert ( Dao-Ungleichgewichtsfilter, dunkelrot).

A. Analyse von 13 Patienten, bei denen es zu einem intrakraniellen Rückfall kam und die in einer postoperativen Blutprobe positiv auf ctDNA waren. Die X-Achse zeigt den klonalen ctDNA-Spiegel zum Zeitpunkt des postoperativen ctDNA-Nachweises und die Y-Achse zeigt den Tag des postoperativen ctDNA-Nachweises. Die Farbe der Punkte hängt davon ab, ob der intrakranielle Rückfall einmalig (grün), von einer anderen extrakraniellen Stelle begleitet (rot) oder unbestätigt einmalig (blau, keine extrakranielle Bildgebung durchgeführt) war, und richtet sich nach dem ctDNA-Status als Orientierungspunkt. B. Heatmap der ctDNA-Leveldaten der klonalen Mutation beim ersten postoperativen ctDNA-Nachweis. Die Anmerkungszeilen zeigen den Landmark-ctDNA-Status des Patienten (Landmark-positiv, ctDNA innerhalb von 120 Tagen nach der Operation nachgewiesen; Landmark-negativ, ctDNA-negativ innerhalb von 120 Tagen nach der Operation; nicht auswertbar, Landmark-Status kann nicht ermittelt werden), den Tag, an dem ctDNA postoperativ nachgewiesen wurde, und die Histologie des Primärtumors und Vorlaufzeit (Tage vom ctDNA-Nachweis bis zum klinischen Rückfall). Wo die Vorlaufzeit nicht anwendbar war (z. B. unvollständig resezierte Krankheit, ctDNA-Nachweis nach einem Rückfall, siehe Methoden), ist die Vorlaufzeit grau eingefärbt. Die nächsten beiden Zeilen (Balkendiagramme) zeigen die Anzahl der klonalen oder subklonalen Mutationen, die von einem patientenspezifischen AMP-Panel (PSP) verfolgt werden; Wenn der Balken blau ist, stellt dies eine sichere Erkennung einer einzelnen Variante dar (basierend auf einem individuellen Varianten-P-Wert von <0,01 [einseitiger Poisson-Test basierend auf MRD-Caller-Ausgabe, siehe Methoden]), wenn der Balken schwarz ist, stellt er die Abwesenheit dar Beim sicheren Aufrufen einer Variante bedeutet ein roter Balken, dass eine Variante vom MRD-Aufrufalgorithmus gefiltert wurde. Die letzte Zeile stellt den mittleren klonalen ctDNA-Spiegel zum ersten ctDNA-Erkennungszeitpunkt für einen Patienten dar. Dies erfolgt im Log-10-Maßstab, wie in der Heatmap-Legende angezeigt. Beim Patienten CRUK0296 erfolgte ein ctDNA-Nachweis, die klonalen ctDNA-Werte betrugen jedoch 0 % (grauer Balken), da die Mutation, die den ctDNA-Nachweis postoperativ steuerte, keinen klonalen Status hatte. C Längsschnittdiagramme pro Patient bei 12 Patienten, die vor der adjuvanten Therapie ctDNA-positiv waren. Die Diagramme werden mit der Vorlaufzeit (Lt), den durchgeführten Scans und der durchgeführten Behandlung versehen (siehe Legende). Die Y-Achse stellt die klonalen ctDNA-Spiegel dar und jeder Kreis im Diagramm stellt einen Zeitpunkt der Blutentnahme dar. Wenn der Kreis rot ist, bedeutet dies, dass die Blutprobe mit dem MRD-Caller positiv für ctDNA war. Die X-Achse zeigt die Tage nach der Operation an. DE. Kaplan-Meier-Kurven in der auswertbaren Meilensteinpopulation (Patienten, die innerhalb von 120 Tagen nach der Operation vor der Behandlung oder einem klinischen Rezidiv Blut gespendet haben, n = 102/108 auswertbare Meilensteinpatienten waren für die Überlebensanalyse auswertbar, Ausschlüsse siehe Methoden), die das Gesamtüberleben (OS) zeigen ,D) oder Ergebnisse zur Rezidivfreiheit (FFR,E) für richtungsweisende positive (dunkelrot) versus richtungsweisende negative (graue) Patienten. Auf Kurven angezeigte Log-Rank-P-Werte. F. Boxplots, die die Verteilung der Vorlaufzeiten (Zeiten von der ctDNA-Erkennung bis zum klinischen Wiederauftreten) zeigen, kategorisiert nach dem ctDNA-Status des Patienten. Scharniere entsprechen dem ersten und dritten Quartil, Whiskers erstrecken sich bis zum größten/kleinsten Wert, nicht weiter als das 1,5-fache des Interquartilbereichs. Mittellinien stellen Mediane dar. Kruskal-Wallis-Test P = 0,0057, unadjustierte paarweise Wilcoxon-Tests vergleichen einzelne Kategorien, n = 63 analysierte Patienten. G. Kreisdiagramme zeigen die Häufigkeit des Vorkommens bestimmter ctDNA-Nachweisstatus (rot – ctDNA-negativ, grün – ctDNA-positiv, blau – kein ctDNA-Status festgestellt) vor einem Scan, der keine neuen Veränderungen (links) oder neue nicht eindeutige extrakranielle Veränderungen (Mitte) zeigt ). Die positiven und negativen ctDNA-Kategorien werden dann weiter in eine Analyse auf Patientenebene unterteilt, die die Ergebnisse von Patienten zeigt, bei denen das/die angegebene(n) Bildgebungs- und ctDNA-Statusereignis(se) aufgetreten ist. H. Barchart zeigt die Anzahl spezifischer unklarer anatomischer Stellen, die auf Scans festgestellt wurden und neue unklare Veränderungen zeigen; Unklare Lungenläsionen und Lymphknoten waren die häufigsten abnormalen, uneindeutigen Befunde in der NSCLC-Überwachungsbildgebung. Bei einem Scan können mehrere nicht eindeutige Stellen beobachtet werden. I. Balkendiagramm der möglichen Rezidivstelle und des ctDNA-Status bei 33 Patienten, deren ctDNA-Status vor der Überwachungsbildgebung ermittelt wurde und eine neue, nicht eindeutige Lymphknotenvergrößerung zeigt. Die X-Achse zeigt den ctDNA-Erkennungsstatus des Patienten vor den Überwachungsscans. Die Y-Achse zeigt die Patientenzahl. Bei Patient CRUK0090 traten sowohl negative als auch positive ctDNA-Status auf, bevor separate, nicht eindeutige Lymphadenopathie-Scans durchgeführt wurden, sodass er sowohl in der ctDNA-positiven als auch in der negativen ctDNA-Kategorie vertreten ist. Andere Patienten werden nur einmal einbezogen. Bei Patient CRUK0234 wurde ein nicht resezierter Lymphknoten diagnostiziert, er war postoperativ ctDNA-negativ und wurde in die Analyse einbezogen. Die Balkendiagramme sind mit dem Rezidivstatus der Patienten in diesen Kategorien gefüllt. „Rezidiviert mit LN“ bezieht sich auf eine Lymphknotenbeteiligung beim Rückfall (dunkelrote Farbe). „Rezidiv ohne LN“ bezieht sich auf ein Rezidiv ohne Lymphknotenbeteiligung (grüne Farbe).

A. Ein konzeptioneller Überblick über die ECLIPSE-Methode und die Dateneingabetypen. CCF; Krebszellfraktion und VAF; Varianten-Allel-Fraktion. Der Schaltplan wurde mit BioRender erstellt. B. Gleichung zur Berechnung der Tumorreinheit (der Prozentsatz der Zellen, aus denen die DNA stammt und die Tumorzellen sind, siehe ergänzende Anmerkung 1, auch „Zellularität“ oder „aberrante Zellfraktion“ genannt) unter Verwendung klonaler Mutationen. C. Gleichung zur Berechnung der Krebszellfraktion (CCF). Multiplizität = die Anzahl der mutierten DNA-Kopien in jeder mutierten Zelle, CNt = Gesamtkopienzahl im Tumor, CNn = Gesamtkopienzahl in normalen (Nicht-Tumor-)Zellen, VAF = Varianten-Allel-Fraktion, P = Tumorreinheit (der Prozentsatz von Zellen, von denen die DNA abgeleitet wurde und bei denen es sich um Tumorzellen handelt, siehe Ergänzende Anmerkung 1). D. Prozentuale Änderung der mittleren Multiplizität klonaler Mutationen im Vergleich zu Messungen in chirurgisch entnommenen Gewebeproben und Gewebeproben, die bei einem Rückfall entnommen wurden (46 Patienten mit gepaarten Primär- und Rezidiv-Gewebeproben aufgezeichnet). E. Ein Vergleich zwischen der mittleren klonalen VAF von Mutationen und der Reinheit des ctDNA-Tumors, berechnet durch ECLIPSE, wobei Datenpunkte (Plasmaproben) durch die durchschnittliche Kopienzahl der verfolgten klonalen Mutationen (gemessen mittels Gewebesequenzierung) gefärbt werden. Patienten mit mehreren Tumoren und Proben mit Anzeichen einer Instabilität der Kopienzahl beim Rückfall sind ausgeschlossen. Insgesamt werden 322 Proben von 134 Patienten aufgezeichnet.

A. Minimal nachweisbarer CCF für jede ctDNA-positive Probe im Vergleich zu den klonalen ctDNA-Werten für jede Probe. Alle ctDNA-positiven Proben eingeschlossen (N = 354). Der minimal nachweisbare CCF wurde unter Verwendung der Mindestanzahl erforderlicher Lesevorgänge für einen positiven (P < 0,01) Klonerkennungsaufruf (Methoden) berechnet. B. Minimal nachweisbarer CCF über die Zeit für jeden Patienten mit einer horizontalen Linie, die den Schwellenwert für Proben mit hoher Subklonsensitivität angibt (20 % CCF). Alle ctDNA-positiven Proben eingeschlossen (N = 354). 61 % der präoperativen MRD-positiven Proben wiesen eine hohe Subklon-Sensitivität auf, und 66 % der postoperativen Proben wiesen eine hohe Subklon-Sensitivität auf (insgesamt 64 % der Proben). C. Ein Histogramm der klonalen ctDNA-Spiegel für alle ctDNA-positiven Proben (N = 354) mit vertikalen Linien, die Schwellenwerte für die ECLIPSE-Auswertbarkeit und für die herkömmliche klonale Entfaltungsauswertbarkeit angeben, die für TRACERx-Gewebeproben28 und frühere klonale Entfaltungsansätze in ctDNA14,77 verwendet wird. D. Ein Histogramm der maximalen klonalen ctDNA-Werte, die in postoperativen Proben für jeden Patienten beobachtet wurden, mit vertikalen Linien, die Schwellenwerte für die ECLIPSE-Auswertbarkeit und für die herkömmliche klonale Entfaltungsauswertbarkeit anzeigen (siehe C). Dies wird für 66 Patienten gezeigt, die mit ctDNA-positivem postoperativem Plasma einen Rückfall erlitten haben. E. Validierung der ECLIPSE-Erkennungsraten über verschiedene subklonale Mutationszahlen, klonale ctDNA-Werte, subklonale Krebszellfraktionen und DNA-Eingabemengen in den Test. Subklone wurden unter Verwendung von Ground-Truth-In-vitro-Spike-in-Experimenten mit 10–12 technischen Replikaten für jede Input-Masse-Allel-Fraktionskombination konstruiert. Diese Ground-Truth-Mutanten-Allelfraktionen wurden dann in silico gemischt, um 76.263 Subklone zu konstruieren, die über diese Parameter variierten. Die Daten dieser experimentell abgeleiteten Subklone wurden dann durch ECLIPSE laufen gelassen und die Subklon-Erkennungsraten für jeden dieser dargestellten Parameter ermittelt.

A. Korrelation zwischen Krebszellfraktionen (CCFs), gemessen in präoperativen Plasmaproben mit phylogenetischen Daten, >0,1 % klonalem ctDNA-Gehalt und >=10 ng DNA-Input (Proben mit hoher Subklonsensitivität) mit ECLIPSE und denen, die mit Multiregion-Gewebesequenzierung gemessen wurden (M-seq) bei der Operation (N = 71 Patienten und 684 Subklone eingeschlossen). B. Kopienanzahl-unbewusste CCFs, die nur mithilfe von VAFs (Methoden) berechnet wurden, verglichen mit Gewebe-CCF aus M-seq. Alle präoperativen Proben mit phylogenetischen Daten, >0,1 % klonalem ctDNA-Gehalt und >=10 ng DNA-Input (Proben mit hoher Subklonsensitivität) wurden einbezogen (N = 71 Patienten und 684 Subklone eingeschlossen). C. Ein Streudiagramm, das die Beziehung zwischen dem klonalen ctDNA-Spiegel und dem Anteil der durch ECLIPSE detektierten, durch ECLIPSE detektierten Multiregion-Tumor-Exom-Subklone (M-seq) auf der Grundlage unterschiedlicher subklonaler Krebszellfraktionen wie angegeben zeigt; Lösslinien sind an die Diagramme angepasst, n = 117 ctDNA-positive präoperative Proben. D. Ein Vergleich der präoperativen Plasma-CCFs und der durchschnittlichen CCFs aller bei der Operation entnommenen Geweberegionen für Klone, die nur in einer Tumorgeweberegion vorkamen, und für Klone, die über mehr als zwei Tumorgeweberegionen verteilt waren. N = 71 Patienten und 684 Subklone eingeschlossen. Zum Vergleich der Gruppen wurde ein Wilcoxon-Test verwendet. E. Ein Vergleich der präoperativen Plasma-CCFs und der durchschnittlichen CCFs in allen bei der Operation entnommenen Geweberegionen für Klone, die nur in einer einzigen Tumorgeweberegion vorkommen, unterteilt in kleine (<20 cm3), mittlere (>20 cm3 und <100 cm3) und große (>100 cm3) Tumore, gemessen in präoperativen PET/CT-Scans. N = 71 Patienten und 684 Subklone eingeschlossen. Zum Vergleich der Gruppen wurde ein Wilcoxon-Test verwendet. F. Ein Vergleich der Nachweisraten im präoperativen Plasma für 20 % CCF-Subklone über einen Bereich klonaler ctDNA-Spiegel, aufgeteilt danach, ob die Subklone über mehrere primäre Tumorgeweberegionen verteilt waren oder nur auf eine einzige primäre Tumorgeweberegion beschränkt waren. 1924 Subklone wurden in 197 präoperativen Plasmaproben untersucht. G. Eine Karte von Tumorklonen mit Angabe von Bereichen mit multiregionaler Gewebeentnahme und Hervorhebung von Klonen, bei denen zu viele und zu wenig Proben entnommen wurden. Die meisten der unterbeprobten Klone befinden sich tatsächlich nicht in den beprobten Gebieten, was zu einer Tendenz zur Überbeprobung bei Klonen führt, die wir erkennen können, ein Effekt, der auch „Fluch des Gewinners“ genannt wird. H. Eine ROC-Kurve, die die Sensitivität und Spezifität der Erkennung klonaler Illusionsmutationen mithilfe plasmabasierter CCFs mit 95 %-Konfidenzintervallen beschreibt, die mithilfe von Bootstrapping über eine 500-fache Kreuzvalidierung (N = 71 Tumoren) generiert wurden.

A. Ein Überblick über die Auswertbarkeit der klonalen Struktur bei einem Rückfall für TRACERx-Patienten in unserer Kohorte (N = 75 Tumoren) unter Verwendung von zellfreier DNA und ECLIPSE oder Rückfallgewebe und WES/PyClone. B. postoperativer ctDNA-Nachweisstatus von Subklonen, aufgeteilt nach Nachweisstatus in metastasiertem Gewebe. Nicht verfolgte Subklone (solche ohne in den PSP-Panels enthaltene Mutationen) wurden ausgeschlossen (N = 26 Tumoren). Der P-Wert gibt das Ergebnis des exakten Fisher-Tests an. C. Klonaler (geschätztermaßen in 100 % der Tumorzellen vorhanden) vs. subklonaler (geschätztermaßen in <100 % der Zellen vorhanden) Status beim Rückfall primärer Tumorsubklone, je nachdem, ob sie in cfDNA und metastasiertem Gewebe oder cfDNA allein nachgewiesen wurden (N = 26 Tumoren). Der P-Wert gibt das Ergebnis eines exakten Fisher-Tests an. D. Metastatische Verbreitungsklasse, bestimmt durch Gewebe und cfDNA in 22 Fällen mit einer Metastasenbiopsie, einer postoperativen Plasmaprobe mit hoher Subklonsensitivität und einem erstellten phylogenetischen Baum. E. Kaplan-Meier-Diagramm zum Gesamtüberleben, das die Zeit vom ersten MRD-positiven Zeitpunkt bis zum Tod zeigt, geschichtet nach ECLIPSE-Metastasierungsklasse beim Rückfall (monoklonal: hellblau, polyklonal polyphyletisch: lila und polyklonal monophyletisch: grün). HR: Hazard Ratio, CI: Konfidenzintervall. In diese Analyse wurden 44 Patienten einbezogen. Der P-Wert gibt das Ergebnis eines Log-Rank-Tests an. F. Ein multivariables Cox-Proportional-Hazards-Modell zur Vorhersage des Gesamtüberlebens ab dem Zeitpunkt der ersten MRD-Erkennung, einschließlich der Klonalität der metastatischen Ausbreitung beim Rückfall, des Stadiums, des maximalen postoperativen klonalen ctDNA-Spiegels, des durchschnittlichen DNA-Assay-Inputs, der Histologie und ob die erste Plasmaprobe danach vorliegt Die Operation war ctDNA-positiv und umfasste nur Rückfallpatienten. In diese Analyse wurden 44 Patienten einbezogen. Fehlerbalken geben 95 %-Konfidenzintervalle an. G. Die Häufigkeit von subklonalen zu klonalen Engpässen (Methoden) mit hoher Konfidenz zum spätestmöglichen Zeitpunkt der Plasmaprobe mit ausreichendem klonalen ctDNA-Spiegel (hochempfindliche Subklonproben, N = 44 Tumoren) und welche dieser Subklone subklonale Neoantigene (NAGs) enthalten werden daher beim Rückfall klonal. H. In Fällen eines klonalen Engpasses bei einem Rückfall wird der prozentuale Anstieg der Anzahl klonaler Mutationen als Box-and-Whisker-Diagramm mit der absoluten Anzahl neuer klonaler Mutationen (N = 18 Tumoren) angezeigt. I. In Fällen eines klonalen Engpasses bei einem Rückfall wird der prozentuale Anstieg der Anzahl klonaler NAGs als Box-and-Whisker-Diagramm mit der absoluten Anzahl neuer klonaler NAGs (N = 18 Tumoren) dargestellt. NAG = Neoantigen.

Subklonale Längsschnittanalysen aller rezidivierenden Patienten mit verfügbaren phylogenetischen Stammbäumen und mindestens einem postoperativen Zeitpunkt mit hoher Subklonsensitivität (n = 44 Patienten).

Ergänzungstabellen 1–21.

Legenden zu den Ergänzungstabellen 1-21.

Nachdrucke und Genehmigungen

Abbosh, C., Frankell, AM, Harrison, T. et al. Verfolgung der frühen Ausbreitung von Lungenkrebsmetastasen in TRACERx mithilfe von ctDNA. Natur 616, 553–562 (2023). https://doi.org/10.1038/s41586-023-05776-4

Zitat herunterladen

Eingegangen: 06. April 2022

Angenommen: 30. Januar 2023

Veröffentlicht: 13. April 2023

Ausgabedatum: 20. April 2023

DOI: https://doi.org/10.1038/s41586-023-05776-4

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Natur (2023)

Naturmedizin (2023)

Natur (2023)

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.

Aputure MT Pro 36 Pixel RGBWW Mini-Röhrenlicht – erster Blick

Dealmakers Impact Report 2022 von Variety: Harte Zeiten brauchen harte Verhandlungsführer

Nachricht

Verfolgung der frühen Ausbreitung von Lungenkrebsmetastasen in TRACERx mithilfe von ctDNA