大多数癌症基因组数据是从由癌症亚群以及正常细胞混合物组成的大量样本中产生的。基于机器学习的亚克隆重建方法旨在分离样品中的那些亚群并推断其进化历史。但是，当前的方法完全是数据驱动的，并且与进化论无关。有鉴于此，英国癌症研究所的Andrea Sottoriva和伦敦玛丽女王大学的Trevor A. Graham等研究人员，合作利用机器学习和群体遗传学对肿瘤进行亚克隆重建。

本文要点

1）研究人员证明，如果不考虑进化，则会在分析中发生系统性错误，并且对同一肿瘤进行多次采样会加剧这种错误。

2）研究人员提出了一种基于模型的肿瘤亚克隆重建方法，称为MOBSTER，它将机器学习与理论性群体遗传学相结合。

3）使用来自不同队列的2606个样本的公共全基因组测序数据、新数据和综合验证，研究人员表明，在单样本、多区域和纵向数据中，该方法比当前技术更可靠、更准确。

这种方法最大程度地减少了非进化方法的混杂因素，从而可以更准确地绘制出人类癌症的进化史。

参考文献：

Giulio Caravagna, et al. Subclonal reconstruction of tumors by using machine learning and population genetics. Nature Genetics, 2020.

DOI：10.1038/s41588-020-0675-5

https://www.nature.com/articles/s41588-020-0675-5