IF31.7｜重定义InDel分类揭示突变特征新维度

新89通道InDel分类法揭示37个特征，27个为新发现，并开发PRRDetect分类器。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

小片段插入缺失（InDels）是仅次于单碱基替换的第二常见遗传变异类型，其发生模式反映了DNA复制、修复及外源暴露等生物学过程。此前基于COSMIC-83分类框架已识别出18个InDel特征，但该框架将长同聚物中的信号聚合为单一通道，导致MMR缺陷等特征与正常复制错误难以区分。InDel特征在临床上有重要价值，如微同源介导的缺失可预测同源重组缺陷，微卫星不稳定性检测依赖InDel负荷。然而，现有分类体系分辨率不足，限制了新特征的发现和精准分型。

科学问题

卡在哪里： COSMIC-83分类法将1bp插入/缺失在长同聚物（>5bp）的信号合并，导致MMR缺陷特征与正常复制错误特征高度相似（余弦相似度>0.9），无法区分不同PRRd基因型，也无法识别新的生物学过程。

本文要回答： 开发一种纳入侧翼序列和重复基序的新InDel分类法，提高特征分辨率，并利用该框架揭示癌症中的新InDel特征及开发PRRd分类器。

技术路线

作者主要用了：CRISPR基因编辑、全基因组测序、突变特征分析、机器学习分类器。

作者首先在hTERT-RPE1 TP53-null细胞中构建了10种PRRd相关基因编辑模型（包括MMR基因敲除、POLE/POLD1突变及组合突变），通过约50天的突变积累和子克隆WGS，获得实验性InDel特征。发现COSMIC-83分类法无法区分这些特征后，作者设计了新的89通道分类法，将1bp A/T InDels按侧翼碱基和同聚物长度细分，并应用于实验数据和GEL七种癌症队列，提取了37个共识InDel特征。最后，利用这些特征训练了PRRDetect分类器，并在独立队列中验证其性能。

图 1　Fig. 1。图1展示了实验设计和COSMIC-83分类法的局限性。a为突变积累实验流程；b显示各基因编辑的InDel负荷，MMR缺陷和组合突变负荷显著升高；c显示编辑克隆与背景的余弦相似度，多数>0.9，难以区分；d为各基因型的COSMIC-83特征谱，主要差异仅在少数通道；e-g显示MMR缺陷特征被错误归为ID1/ID2，而非ID7，说明COSMIC-83无法捕捉长同聚物中的信号。

核心亮点

亮点 1｜新89通道分类法显著提升分辨率

作者开发的89通道InDel分类法纳入了5'和3'侧翼序列及重复基序长度，将1bp A/T InDels细分为更多通道。在实验数据上，该分类法使基因编辑特征与背景的余弦相似度从0.89降至0.68（P=1.917e-7），特征间平均相似度从0.64降至0.57（P=1.483e-5）。在52例结直肠癌WGS中，三种算法均能从89通道数据中提取更多特征，且信号分布更均匀，证明新分类法优于COSMIC-83。

图 2　Fig. 2。图2展示了新89通道分类法的构建和效果。a为分类框架示意图及一个ΔMSH2亚克隆的89通道谱；b显示编辑克隆与背景的余弦相似度显著降低（均值0.68 vs 0.89）；c比较了两种分类法下编辑克隆与背景的相似度分布；d为各基因编辑的89通道特征谱，信号分布更均匀，且MMR缺陷和聚合酶突变在长/短同聚物上呈现不同富集模式。

亮点 2｜揭示PRRd基因型特异性InDel模式

利用89通道分类法，作者发现MMR缺陷（ΔMLH1、ΔMSH2、ΔMSH3）以1bp T缺失为主，且在长同聚物（8-9bp）中富集；而聚合酶突变（POLE、POLD1）以1bp T插入为主，在较短同聚物（5-7bp）中富集。组合突变（如POLD1S478N/+ΔMLH1）的特征并非简单叠加，表明Pol ε/δ与MMR在重复序列复制中有协同作用。此外，POLE突变体显示前导链偏好，POLD1突变体显示滞后链偏好，与聚合酶功能分工一致。

图 3　Fig. 3。图3展示了七种癌症类型中InDel特征的分析结果。a为各癌种的InDel负荷和特征贡献；b为37个共识InDel特征谱，按病因分类着色。新特征如InD7（MMRd）、InD14/15（聚合酶）、InD9a（APOBEC）等清晰可见，且与已知特征（如InD13 UV、InD18 colibactin）区分明显。

亮点 3｜七种癌症中提取37个InDel特征

对GEL队列4,775例肿瘤（膀胱、脑、结直肠、子宫内膜、肺、胃、皮肤）进行分析，共提取37个共识InDel特征（InDS），其中27个为新发现。10个与已知特征对应，包括烟草相关InD3a/3b、UV相关InD13、colibactin相关InD18等。新特征中，8个与MMR缺陷或聚合酶校正缺陷相关，如InD7（MMRd）、InD14（POLD1）、InD15（POLE）、InD16a/b（POLE+MMRd）等。此外还发现APOBEC相关InD9a、铂类相关InD32等。

图 4　Fig. 4。图4展示了PRRDetect分类器的开发和验证。a为训练流程；b为最终模型的特征系数，显示InD特征和InDel/SNV比值贡献较大；c为在独立队列中的ROC曲线，AUC=1；d为与其他工具的性能比较；e-g为PRRDetect在不同队列中的应用，显示其能识别无驱动突变的PRR缺陷病例，且TMB-high样本中PRR缺陷比例较低。

亮点 4｜PRRDetect分类器精准识别PRRd亚型

基于571例训练样本，作者构建了多分类弹性网络回归模型PRRDetect，输入特征包括7组SBS/InD特征暴露和InDel/SNV比值。在独立验证队列（1,351例）中，PRRDetect区分PRR缺陷与正常样本的AUROC达1，AUPRC为0.99，优于MSIseq、MMRDetect和TMB。在1,335例ICGC/Hartwig样本中，PRRDetect预测3.7%为PRR缺陷，其中66%无已知驱动突变，提示仅依赖驱动基因检测会漏诊大量病例。此外，在TMB-high样本中，仅约11%为PRR缺陷，表明TMB作为免疫治疗生物标志物特异性有限。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： CRISPR基因编辑、全基因组测序、突变特征分析、机器学习分类器
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事突变特征分析、肿瘤基因组学或免疫治疗标志物研究的生信人员。

带走一句

突变分类方式直接影响特征提取的分辨率；纳入序列上下文可揭示更多生物学信息，并提升临床分类器性能。