癌症驱动基因的鉴定实验案例
癌症的发生源于体细胞基因组中突变的逐步累积。在肿瘤细胞携带的成千上万个突变中，绝大多数是不影响细胞行为的“乘客突变”，只有少数赋予细胞生长优势的“驱动突变”及其所在基因才是肿瘤演化的推手。如何从海量数据中把驱动基因从背景噪声中识别出来，是癌症基因组学的核心任务。本文通过三个典型案例，梳理驱动基因鉴定的通用框架：计算筛选、体外功能验证与体内模型确认。
癌症基因组图谱（TCGA）计划对三十余种癌症、上万个肿瘤样本进行了全外显子测序，是计算筛选的代表性数据源。典型分析流程如下：
- 突变检测：将肿瘤测序数据与匹配的正常对照比对，调用体细胞 SNV 与 indel；
- 背景突变率建模：综合考虑样本突变负荷、基因长度、复制时序、表达水平等因素，估计每个基因在无选择压力下的期望突变数；
- 显著性检验：利用 MutSigCV、dNdScv 等工具比较观测突变数与期望值，筛选显著偏离背景的基因。
该策略在泛癌层面锁定了 TP53、PIK3CA、KRAS、BRAF 等高频突变基因。例如 BRAF 的 V600E 突变在黑色素瘤中频率可达 40% 以上，远超统计背景，成为明确的驱动候选。
这一方法通量高、成本低，但局限也很明显：它只能提供候选名单，容易遗漏低频却关键的驱动基因，也可能把突变率偏高的长基因误判为驱动。
案例二：CRISPR 功能筛选与依赖性图谱
要确认驱动基因，必须获得功能证据。DepMap（癌症依赖性图谱）项目利用 CRISPR-Cas9 文库对数百种癌细胞系开展全基因组敲除筛选，其流程为：
- 构建覆盖约两万个基因的 sgRNA 文库，转导目标细胞系；
- 连续培养数周，通过深度测序追踪各 sgRNA 丰度的变化；
- 丰度显著下降的 sgRNA 所对应的基因，即为该细胞系的“依赖基因”；
- 将依赖性数据与细胞系的突变、表达、拷贝数信息关联，挖掘“基因型—依赖性”规律。
典型案例之一是 BET 家族蛋白：筛选显示某些携带特定染色体重排的血液肿瘤对 BRD4 高度依赖，据此开发的 BET 抑制剂随后进入临床试验。类似地，MTAP 缺失细胞对 PRMT5 抑制的敏感性，也是从依赖性图谱数据中挖掘并验证的。
案例三：体内模型确认因果性
计算与体外证据仍不足以证明“驱动”的因果性，最终确认往往依赖体内模型。经典案例是 BRAF V600E 的功能验证：
- 研究者构建了条件性表达 BRAF V600E 的基因工程小鼠；
- 在黑色素细胞中诱导该突变后，小鼠长出大量良性痣，说明该突变足以启动病变；
- 进一步与 PTEN 缺失等事件组合后，病变才进展为侵袭性黑色素瘤，揭示了多个驱动事件协同致癌的模式。
这类实验确立了“单个驱动突变通常不足以致癌，驱动事件需协同累积”的基本认识，也为靶向治疗策略提供了体内依据。
三类策略的横向比较
| 策略 | 输入材料 | 主要优势 | 主要局限 |
|---|---|---|---|
| 计算筛选 | 肿瘤队列测序数据 | 通量高、覆盖面广 | 候选冗余、假阳性 |
| 体外 CRISPR 筛选 | 细胞系与 sgRNA 文库 | 直接测量功能依赖 | 难以完全模拟体内微环境 |
| 体内模型验证 | 基因工程小鼠等 | 因果性强、贴近生理 | 周期长、通量低 |
实际研究中，三者常构成漏斗式工作流：先以计算筛选从全基因组范围缩小候选，再以体外功能筛选验证细胞依赖性，最后在体内模型中确认致癌作用与干预价值。每一级都为下一级提供输入，逐层收窄、逐层加严。
小结
驱动基因鉴定是连接基因组数据与临床转化的关键桥梁。其通用逻辑可概括为“计算—体外—体内”三级验证：统计方法负责从背景噪声中挑出候选，功能实验负责证明细胞对该基因的依赖，动物与临床层面负责确认因果性与可药性。理解这一框架，再结合具体癌种的数据特点选择合适的工具组合，是开展癌症遗传学实验设计与数据分析的入门要点。