Seguimiento de la diseminación metastásica temprana del cáncer de pulmón en TRACERx usando ctDNA

Mar 05, 2023

Revisión de la cámara de reflector con cable Blink: un buen punto de entrada a un hogar inteligente

Mar 07, 2023

Mercado de UV LED con un valor de $ 2.8 mil millones para 2028

Mar 09, 2023

Prueba Zosia C296

Mar 11, 2023

Estándares comerciales del mercado de iluminación LED solar para exteriores 2023

Mar 13, 2023

Cam Floodlight Pro de Wyze se ilumina cuando reconoce autos y personas

Envíe su consulta

ENTREGAR

Apr 30, 2023

Seguimiento de la diseminación metastásica temprana del cáncer de pulmón en TRACERx usando ctDNA

Naturaleza volumen 616, páginas

Nature volumen 616, páginas 553–562 (2023)Citar este artículo

17k Accesos

5 citas

421 Altmetric

Detalles de métricas

El ADN tumoral circulante (ctDNA) se puede utilizar para detectar y perfilar las células tumorales residuales que persisten después de la terapia con intención curativa1. Se requiere el estudio de grandes cohortes de pacientes que incorporen muestras de plasma longitudinales y un seguimiento prolongado para determinar el papel del ctDNA como biomarcador filogenético de recaída en el cáncer de pulmón de células no pequeñas (NSCLC) en etapa temprana. Aquí desarrollamos métodos de ctDNA que rastrean una mediana de 200 mutaciones identificadas en tejido NSCLC resecado en 1069 muestras de plasma recolectadas de 197 pacientes inscritos en el estudio TRACERx2. La falta de detección preoperatoria de ctDNA distinguió un adenocarcinoma de pulmón biológicamente indolente con un buen resultado clínico. Los análisis de plasma posoperatorios se interpretaron en el contexto de la vigilancia radiológica estándar y la administración de terapia adyuvante citotóxica. Los análisis históricos de las muestras de plasma recolectadas dentro de los 120 días posteriores a la cirugía revelaron la detección de ctDNA en el 25 % de los pacientes, incluido el 49 % de todos los pacientes que experimentaron una recaída clínica; La vigilancia de ctDNA de 3 a 6 meses identificó una recaída inminente de la enfermedad en un 20 % adicional de pacientes con hitos negativos. Desarrollamos una herramienta bioinformática (ECLIPSE) para el seguimiento no invasivo de la arquitectura subclonal a niveles bajos de ctDNA. ECLIPSE identificó pacientes con diseminación metastásica policlonal, que se asoció con un mal resultado clínico. Al medir las fracciones de células cancerosas de subclones en plasma preoperatorio, encontramos que los subclones que siembran futuras metástasis estaban significativamente más expandidos en comparación con los subclones no metastásicos. Nuestros hallazgos respaldarán los avances de los ensayos con (neo)adyuvantes y brindarán información sobre el proceso de diseminación metastásica mediante biopsia líquida de bajo nivel de ctDNA.

Esta es una vista previa del contenido de suscripción, acceda a través de su institución

Artículos de acceso abierto que citan este artículo.

Naturaleza Acceso Abierto 12 abril 2023

Acceda a Nature y a otras 54 revistas de Nature Portfolio

Obtenga Nature+, nuestra suscripción de acceso en línea de mejor valor

$29.99 / 30 días

cancelar en cualquier momento

Suscríbete a este diario

Reciba 51 ediciones impresas y acceso en línea

$199.00 por año

solo $ 3.90 por número

Alquila o compra este artículo

Obtenga solo este artículo durante el tiempo que lo necesite

$39.95

Los precios pueden estar sujetos a impuestos locales que se calculan durante el pago

Los archivos de secuenciación de cfDNA, los datos de RNA-seq y los datos de secuenciación del exoma tumoral multirregional (en cada caso del estudio TRACERx) utilizados o analizados durante este estudio se han depositado en el Archivo Europeo del Genoma y el Fenómeno (EGA), alojado por el Instituto Europeo de Bioinformática. (EBI) y el Centro de Regulación Genómica (CRG) bajo los códigos de acceso EGAS00001006494, EGAS00001006517 y EGAS00001006494 y está bajo acceso controlado debido a la naturaleza de los datos y los acuerdos de asociación comercial. Los detalles sobre cómo solicitar el acceso están disponibles en la página vinculada.

ECLIPSE está disponible como un paquete R para instalar desde github (https://github.com/amf71/ECLIPSE), que solo está disponible para fines de investigación académica no comercial. El código utilizado para generar las cifras de este documento está disponible previa solicitud.

Moding, EJ, Nabet, BY, Alizadeh, AA & Diehn, M. Detección de restos líquidos de tumores sólidos: enfermedad residual mínima del ADN tumoral circulante. Descubrimiento del cáncer. 11, 2968–2986 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Jamal-Hanjani, M. et al. Seguimiento de la evolución del cáncer de pulmón de células no pequeñas. N. ingl. J.Med. 376, 2109–2121 (2017).

Artículo CAS PubMed Google Académico

Chabón, JJ et al. Integración de características genómicas para la detección temprana no invasiva del cáncer de pulmón. Naturaleza 580, 245–251 (2020).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Peng, M. et al. El ADN tumoral circulante como biomarcador pronóstico en el cáncer de pulmón de células no pequeñas localizado. Frente. oncol. 10, 561598 (2020).

Artículo PubMed PubMed Central Google Académico

Xia, L. et al. Detección perioperatoria de enfermedad residual molecular basada en ctDNA para cáncer de pulmón de células no pequeñas: un estudio de cohorte multicéntrico prospectivo (LUNGCA-1). clin. Cáncer Res. 28, 3308–3317 (2021).

Artículo Google Académico

Chaudhuri, AA et al. Detección temprana de enfermedad residual molecular en cáncer de pulmón localizado mediante perfiles de ADN tumoral circulante. Descubrimiento del cáncer. 7, 1394–1403 (2017).

Artículo CAS PubMed PubMed Central Google Scholar

Abbosh, C. et al. El análisis filogenético de ctDNA muestra la evolución del cáncer de pulmón en etapa temprana. Naturaleza 545, 446–451 (2017).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Gale, D. et al. El ctDNA residual después del tratamiento predice una recaída temprana en pacientes con cáncer de pulmón de células no pequeñas en etapa temprana. Ana. oncol. 33, 500–510 (2022).

Zhang, J.-T. et al. La enfermedad residual molecular indetectable longitudinal define la población potencialmente curada en el cáncer de pulmón de células no pequeñas localizado. Descubrimiento del cáncer. 12, 1690–1701 (2022).

Powles, T. et al. ctDNA guía inmunoterapia adyuvante en el carcinoma urotelial. Naturaleza 595, 432–437 (2021).

Artículo ADS CAS PubMed Google Scholar

Corbata, J. et al. Análisis de ADN tumoral circulante que guía la terapia adyuvante en el cáncer de colon en estadio II. N. ingl. J.Med. 386, 2261–2272 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Parikh, AR et al. Biopsia líquida versus de tejido para detectar resistencia adquirida y heterogeneidad tumoral en cánceres gastrointestinales. Nat. Medicina. 25, 1415–1421 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Murtaza, M. et al. Evolución clonal multifocal caracterizada utilizando ADN tumoral circulante en un caso de cáncer de mama metastásico. Nat. común 6, 8760 (2015).

Artículo ADS PubMed Google Scholar

Herberts, C. et al. Cronología profunda del ADNc del genoma completo del cáncer de próstata resistente al tratamiento. Naturaleza 608, 199–208 (2022).

Artículo ADS CAS PubMed Google Scholar

Cáncer de pulmón: diagnóstico y manejo NICE Guideline NG122 (NICE, 2019).

Zheng, Z. et al. PCR multiplex anclada para la secuenciación dirigida de última generación. Nat. Medicina. 20, 1479–1484 (2014).

Artículo CAS PubMed Google Académico

Abbosh, C., Birkbak, NJ y Swanton, C. NSCLC en etapa temprana: desafíos para implementar la detección basada en ctDNA y MRD. Nat. Reverendo Clin. oncol. 15, 577–586 (2018).

Artículo CAS PubMed Google Académico

Newman, AM et al. Un método ultrasensible para cuantificar el ADN tumoral circulante con una amplia cobertura de pacientes. Nat. Medicina. 20, 548–554 (2014).

Artículo CAS PubMed PubMed Central Google Scholar

Hänzelmann, S., Castelo, R. & Guinney, J. GSVA: análisis de variación del conjunto de genes para datos de micromatrices y RNA-seq. BMC Bioinforme. 14, 7 (2013).

Artículo Google Académico

Liberzón, A. et al. La colección de conjuntos de genes distintivos de Molecular Signatures Database (MSigDB). Sistema celular 1, 417–425 (2015).

Artículo CAS PubMed PubMed Central Google Scholar

Biswas, D. et al. Un biomarcador de expresión clonal se asocia con la mortalidad por cáncer de pulmón. Nat. Medicina. 25, 1540-1548 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Burrell, RA et al. El estrés de replicación vincula la inestabilidad cromosómica del cáncer estructural y numérico. Naturaleza 494, 492–496 (2013).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Wang, ZC y col. Los perfiles de inestabilidad genómica en el cáncer de ovario seroso de alto grado predicen el resultado del tratamiento. clin. Cáncer Res. 18, 5806–5815 (2012).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Mermel, CH et al. GISTIC2.0 facilita la localización sensible y segura de los objetivos de la alteración del número de copias somáticas focales en los cánceres humanos. Genoma Biol. 12, R41 (2011).

Artículo PubMed PubMed Central Google Académico

Shih, DJH et al. La caracterización genómica de las metástasis cerebrales humanas identifica los impulsores del adenocarcinoma de pulmón metastásico. Nat. Gineta. 52, 371–377 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Tate, JG et al. COSMIC: el catálogo de mutaciones somáticas en cáncer. Ácidos Nucleicos Res. 47, D941–D947 (2019).

Artículo CAS PubMed Google Académico

García-Murillas, I. et al. Evaluación de la detección molecular de la recaída en el cáncer de mama en estadio temprano. JAMA Oncol. 5, 1473–1478 (2019).

Artículo PubMed PubMed Central Google Académico

Frankell, AM et al. La evolución del cáncer de pulmón y el impacto de la selección subclonal en TRACERx. Naturaleza https://doi.org/10.1038/s41586-023-05783-5 (2023).

Litchfield, K. et al. Metanálisis de los mecanismos intrínsecos del tumor y de las células T de sensibilización a la inhibición del punto de control. Celda 184, 596–614 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

McGranahan, N. et al. Los neoantígenos clonales provocan la inmunorreactividad de las células T y la sensibilidad al bloqueo del punto de control inmunitario. Ciencia 351, 1463–1469 (2016).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Al Bakir, M. et al. La evolución de las metástasis de cáncer de pulmón no pequeñas en TRACERx. Naturaleza https://doi.org/10.1038/s41586-023-05729-x (2023).

Martínez-Ruiz, C. et al. Evolución genómico-transcriptómica en cáncer de pulmón y metástasis. Naturaleza https://doi.org/10.1038/s41586-023-05706-4 (2023).

Moding, EJ et al. La dinámica del ADN tumoral circulante predice el beneficio de la inmunoterapia de consolidación en el cáncer de pulmón de células no pequeñas localmente avanzado. Nat. Cáncer 1, 176–183 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Chen, K. et al. Cambios dinámicos perioperatorios en el ADN tumoral circulante en pacientes con cáncer de pulmón (DINÁMICA). clin. Cáncer Res. 25, 7058–7067 (2019).

Artículo CAS PubMed Google Académico

Li, N. et al. El ADN tumoral circulante perioperatorio como marcador pronóstico potencial para el cáncer de pulmón de células no pequeñas en estadio I a IIIA operable. Cáncer 128, 708–718 (2021).

Artículo PubMed Google Académico

Kurtz, DM et al. Detección mejorada de la enfermedad residual mínima mediante la secuenciación dirigida de variantes en fases en el ADN tumoral circulante. Nat. Biotecnología. 39, 1537–1547 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Cohen, JD et al. Detección de variantes de ADN de baja frecuencia mediante secuenciación dirigida de las hebras de Watson y Crick. Nat. Biotecnología. 39, 1220–1227 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Gydush, G. et al. El enriquecimiento paralelo masivo de alelos de baja frecuencia permite la secuenciación dúplex a baja profundidad. Nat. biomedicina Ing. 6, 257–266 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Van Loo, P. et al. Análisis del número de copias específico de alelo de los tumores. proc. Academia Nacional. ciencia EE. UU. 107, 16910–16915 (2010).

Artículo ADS PubMed PubMed Central Google Scholar

Nik-Zainal, S. et al. La historia de vida de 21 cánceres de mama. Celda 149, 994–1007 (2012).

Artículo CAS PubMed PubMed Central Google Scholar

Roth, A. et al. PyClone: inferencia estadística de la estructura poblacional clonal en cáncer. Nat. Métodos 11, 396–398 (2014).

Artículo CAS PubMed PubMed Central Google Scholar

Miller, CA et al. Visualización de la evolución del tumor con el paquete fishplot para R. BMC Genom. 17, 880 (2016).

Artículo Google Académico

Frankell, AM, Colliver, E., Mcgranahan, N. y Swanton, C. cloneMap: un paquete R para visualizar la heterogeneidad clonal. Preimpresión en bioRxiv https://doi.org/10.1101/2022.07.26.501523 (2022).

Birkbak, NJ & Mcgranahan, N. Trayectorias evolutivas del genoma del cáncer en la metástasis. Cancer Cell 37, 8–19 (2020).

Artículo CAS PubMed Google Académico

Rosenthal, R. et al. Escape inmune dirigido por neoantígenos en la evolución del cáncer de pulmón. Naturaleza 567, 479–485 (2019).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Lai, Z. et al. VarDict: un llamador de variantes novedoso y versátil para la secuenciación de próxima generación en la investigación del cáncer. Ácidos Nucleicos Res. 44, e108 (2016).

Artículo PubMed PubMed Central Google Académico

Signorell, A., Aho, K., Alfons, A., Anderegg, N. & Aragon, T. DescTools: herramientas para la estadística descriptiva. Paquete R versión 0.99 (2023).

Robinson, MD, McCarthy, DJ y Smyth, GK edgeR: un paquete de bioconductores para el análisis de expresión diferencial de datos de expresión génica digital. Bioinformática 26, 139–140 (2010).

Artículo CAS PubMed Google Académico

Ritchie, ME y col. limma potencia los análisis de expresión diferencial para la secuenciación de ARN y los estudios de micromatrices. Ácidos Nucleicos Res. 43, e47 (2015).

Artículo PubMed PubMed Central Google Académico

Yu, G. & He, Q.-Y. ReactomePA: un paquete R/Bioconductor para el análisis y la visualización de la vía del reactoma. mol. biosist. 12, 477–479 (2016).

Artículo CAS PubMed Google Académico

Kassambara, A. rstatix: marco compatible con tuberías para pruebas estadísticas básicas. Paquete R versión 0.7.1 (2022).

Kuznetsova, A., Brockhoff, PB & Christensen, RHB Paquete lmerTest: pruebas en modelos lineales de efectos mixtos. Estado J. suave 82, 1–26 (2017).

Artículo Google Académico

Sánchez-Vega, F. et al. Vías de señalización oncogénicas en The Cancer Genome Atlas. Celda 173, 321–337 (2018).

Artículo CAS PubMed PubMed Central Google Scholar

Bielski, CM et al. La duplicación del genoma determina la evolución y el pronóstico de los cánceres avanzados. Nat. Gineta. 50, 1189–1195 (2018).

Artículo CAS PubMed PubMed Central Google Scholar

Chung, NC, Miasojedow, B., Startek, M. & Gambin, A. Prueba de similitud Jaccard/Tanimoto y métodos de estimación para datos biológicos de presencia-ausencia. BMC Bioinforme. 20, 644 (2019).

Artículo Google Académico

Larsson, J. eulerr: diagramas de Euler y Venn proporcionales al área con elipses. Paquete R versión 7.0.0 (2022).

Yu, G. ggplotify: convierte la trama en objeto 'grob' o 'ggplot'. Paquete R versión 0.1.0 (2021).

Therneau, TM supervivencia: un paquete para el análisis de supervivencia en R. Versión del paquete R v.3.2-13 https://CRAN.R-project.org/package=survival (2021).

Wiesweg, M. survivalAnalysis: interfaz de alto nivel para análisis de supervivencia y gráficos asociados. Paquete R versión 0.3.0 https://CRAN.R-project.org/package=survivalAnalysis (2022).

Kassambara, A., Kosinski, M. & Biecek, P. survminer: dibujar curvas de supervivencia usando 'ggplot2'. Paquete R versión 0.4.9 https://CRAN.R-project.org/package=survminer (2021).

Equipo central R. R: un lenguaje y entorno para la computación estadística https://www.R-project.org/ (R Foundation for Statistical Computing, 2021).

Wickham, H. et al. Bienvenido al tidyverso. J. Software de código abierto. 4, 1686 (2019).

Artículo ANUNCIOS Google Académico

Dowle, M. et al. data.table: extensión de 'data.frame'. Paquete R versión 1.14.6 https://CRAN.R-project.org/package=data.table (2022).

Wickham, H. et al. readxl: leer archivos de Excel. Paquete R versión 1.4.1 https://CRAN.R-project.org/package=readxl (2022).

Klik, M. fst: serialización ultrarrápida de tramas de datos. Paquete R versión 0.9.8 https://CRAN.R-project.org/package=fst (2022).

Yaari, G., Bolen, CR, Thakar, J. & Kleinstein, SH Análisis cuantitativo de conjuntos para la expresión génica: un método para cuantificar la expresión diferencial de conjuntos de genes, incluidas las correlaciones gen-gen. Ácidos Nucleicos Res. 41, e170 (2013).

Artículo CAS PubMed PubMed Central Google Scholar

Turner, JA, Bolen, CR & Blankenship, DM Análisis cuantitativo de conjuntos de genes generalizado para medidas repetidas, ajuste de factores de confusión y covariables continuas. BMC Bioinforme. 16, 272 (2015).

Artículo Google Académico

Meng, H., Yaari, G., Bolen, CR, Avey, S. & Kleinstein, SH Metanálisis de conjuntos de genes con análisis de conjuntos cuantitativos para la expresión génica (QuSAGE). Cómputo PLoS. Biol. 15, e1006899 (2019).

Artículo ADS PubMed PubMed Central Google Scholar

Gu, Z., Eils, R. & Schlesner, M. Los mapas de calor complejos revelan patrones y correlaciones en datos genómicos multidimensionales. Bioinformática 32, 2847–2849 (2016).

Artículo CAS PubMed Google Académico

Wickham, H. ggplot2: Gráficos elegantes para el análisis de datos (Springer, 2016).

Kassambara, A. ggpubr: parcelas listas para publicación basadas en 'ggplot2'. Paquete R versión 3.3.5 https://CRAN.R-project.org/package=ggpubr (2020).

Slowikowski, K. ggrepel: coloque automáticamente etiquetas de texto que no se superpongan con 'ggplot2'. Paquete R versión 0.9.2 https://CRAN.R-project.org/package=ggrepel (2022).

Clarke, E. ggbeeswarm: gráficos de dispersión categórica (punto de violín). Paquete R versión 0.7.1 https://CRAN.R-project.org/package=ggbeeswarm (2022).

Wickham, H. et al. escalas: funciones de escala para la visualización. Paquete R versión 1.2.1 https://CRAN.R-project.org/package=scales (2022).

Pedersen, TL ggforce: acelerando 'ggplot2'. Paquete R versión 0.4.1 https://CRAN.R-project.org/package=ggforce (2022).

Wilke, CO cowplot: tema de trama simplificado y anotaciones de trama para 'ggplot2'. Paquete R versión 1.1.1 https://CRAN.R-project.org/package=cowplot (2020).

Lakatos, E. et al. LiquidCNA: seguimiento de la evolución subclonal a partir de biopsias líquidas longitudinales mediante alteraciones del número de copias somáticas. iScience 24, 102889 (2021).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Descargar referencias

El estudio TRACERx (ClinicalTrials.gov: NCT01888601) está patrocinado por University College London (UCL/12/0279) y ha sido aprobado por un Comité de Ética de Investigación independiente (13/LO/1546). TRACERx está financiado por Cancer Research UK (C11496/A17786) y está coordinado a través de Cancer Research UK y UCL Cancer Trials Centre, que cuenta con una subvención básica de CRUK (C444/A15953). Agradecemos a los pacientes y familiares que participaron en el estudio TRACERx, y a todo el personal del sitio, investigadores, patrocinadores y socios de la industria que apoyaron la generación de datos dentro de este estudio. En particular, agradecemos el apoyo del personal de los departamentos de Computación Científica, Instalación de Secuenciación Avanzada e Histopatología Experimental del Instituto Francis Crick. También agradecemos a J. Brock por su ayuda. Este trabajo fue apoyado por el Cancer Research UK Lung Cancer Centre of Excellence y el CRUK City of London Centre Award (C7893/A26233). MAB cuenta con el apoyo de Cancer Research UK, Rosetrees Trust y el Francis Crick Institute. NJB es miembro de la Fundación Lundbeck (R272-2017-4040) y reconoce la financiación de la Fundación de Investigación de la Universidad de Aarhus (AUFF-E-2018-7-14) y la Fundación Novo Nordisk (NNF21OC0071483). A. Huebner cuenta con el apoyo de Cancer Research UK. DAM cuenta con el apoyo del Centro de Excelencia de Cáncer de Pulmón de Cancer Research UK (C11496/A30025). TBKW cuenta con el apoyo del Instituto Francis Crick, así como del Proyecto Marie Curie ITN PLOIDYNET (FP7-PEOPLE-2013, 607722), la Fundación para la Investigación del Cáncer de Mama (BCRF), el Premio de mejora de cátedras de investigación de la Royal Society (RP/EA/180007) y la Fundación Foulkes. TK cuenta con el apoyo del Programa de becas de investigación en el extranjero de JSPS (202060447). CM-R. cuenta con el apoyo de los fideicomisos Rosetrees (M630) y Wellcome. ELL recibe financiación de la Fundación NovoNordisk (16584). CTH ha recibido financiación del NIHR University College London Hospitals Biomedical Research Centre. MJ-H. es un ganador del CRUK Career Establishment Awardee y ha recibido fondos de CRUK, el NIH National Cancer Institute, la IASLC International Lung Cancer Foundation, la Lung Cancer Research Foundation, Rosetrees Trust, UKI NETs, NIHR y el NIHR UCLH Biomedical Research Center. NM es miembro de Sir Henry Dale, financiado conjuntamente por Wellcome Trust y la Royal Society (subvención n.º 211179/Z/18/Z) y también recibe financiación de Cancer Research UK, Rosetrees y NIHR BRC en University College London Hospitals and el CRUK University College London Experimental Cancer Medicine Centre. TLC reconoce el apoyo financiero del Instituto Médico Howard Hughes y el Instituto de Oncología Radioterápica; GIE de Cancer Research UK (A29210) y el Premio al Investigador Avanzado del Consejo Europeo de Investigación (294851); HJWLA del NIH (NIH-USA U24CA194354, NIH-USA U01CA190234, NIH-USA U01CA209414 y NIH-USA R35CA22052) y la Unión Europea-Consejo Europeo de Investigación (acuerdo de subvención n.º 866504); y KL del Consejo de Investigación Médica del Reino Unido (MR/V033077/1), Rosetrees Trust y Cotswold Trust (A2437), Royal Marsden Cancer Charity and Melanoma Research Alliance. BioRender se utilizó en la generación de la Fig. 4 y los datos extendidos de la Fig. 7. CS es profesor de investigación de la Royal Society Napier (RSRP\R\210001); y cuenta con el apoyo del Instituto Francis Crick, que recibe su financiación principal de Cancer Research UK (CC2041), el Consejo de Investigación Médica del Reino Unido (CC2041) y Wellcome Trust (CC2041). A los efectos del acceso abierto, el autor ha aplicado una licencia pública de derechos de autor CC BY a cualquier versión manuscrita aceptada por el autor que surja de este envío. CS está financiado por Cancer Research UK (TRACERx (C11496/A17786), PEACE (C416/A21999) y CRUK Cancer Immunotherapy Catalyst Network); Cancer Research UK Lung Cancer Center of Excellence (C11496/A30025); los fideicomisos Rosetrees, Butterfield y Stoneygate; la Fundación NovoNordisk (ID16584); el Premio a la Mejora de la Cátedra de la Royal Society (RP/EA/180007); el Instituto Nacional de Investigación en Salud (NIHR) University College London Hospitals Biomedical Research Centre; el Centro de Investigación del Cáncer del Reino Unido–University College London; el Centro de Medicina Experimental del Cáncer; la Fundación para la Investigación del Cáncer de Mama (EE. UU.) BCRF-22-157; Premio de Cartilla de Diagnóstico y Detección Temprana de Cancer Research UK (Grant EDDPMA-Nov21/100034); y el Premio Aspire de la Fundación Mark para la Investigación del Cáncer (Subvención 21-029-ASP). Este trabajo recibió el apoyo de una subvención de investigación traslacional de Stand Up to Cancer‐LUNGevity-American Lung Association Lung Cancer Interception Dream Team (subvención n.º SU2C-AACR-DT23-17 a SM Dubinett y AE Spira). Stand Up To Cancer es una división de Entertainment Industry Foundation. Las subvenciones de investigación son administradas por la Asociación Estadounidense para la Investigación del Cáncer, el socio científico de SU2C. CS recibe una subvención avanzada ERC (PROTEUS) del Consejo Europeo de Investigación en el marco del programa de investigación e innovación Horizonte 2020 de la Unión Europea (acuerdo de subvención n.º 835297).

Estos autores contribuyeron por igual: Christopher Abbosh, Alexander M. Frankell, Thomas Harrison, Judit Kisistok, Aaron Garnett

Estos autores supervisaron conjuntamente este trabajo: Nicolai J Birkbak, Nicholas McGranahan, Charles Swanton

Cancer Research UK Lung Cancer Centre of Excellence, University College London Cancer Institute, Londres, Reino Unido

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 y Charles Swanton

Laboratorio de inestabilidad del genoma y evolución del cáncer, Instituto Francis Crick, Londres, Reino Unido

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 y Charles Swanton

Invitae, San Francisco, CA, EE. UU.

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

Departamento de Medicina Molecular, Hospital Universitario de Aarhus, Aarhus, Dinamarca

Judith Kisistok, Matthew Sokac y Nicolai J. Birkbak

Departamento de Medicina Clínica, Universidad de Aarhus, Aarhus, Dinamarca

Judith Kisistok, Matthew Sokac y Nicolai J. Birkbak

Centro de Investigación de Bioinformática, Universidad de Aarhus, Aarhus, Dinamarca

Judith Kisistok, Matthew Sokac y Nicolai J. Birkbak

Programa de Inteligencia Artificial en Medicina (AIM), Mass General Brigham, Facultad de Medicina de Harvard, Boston, MA, EE. UU.

Tafadzwa L. Chaunzwa, Jakob Weiss y Hugo JWL Aerts

Departamento de Oncología Radioterápica, Brigham and Women's Hospital, Dana-Farber Cancer Institute, Harvard Medical School, Boston, MA, EE. UU.

Tafadzwa L. Chaunzwa, Jakob Weiss y Hugo JWL Aerts

Departamento de Radiología, Hospital Universitario de Friburgo, Friburgo, Alemania

Jakob Weiss

Centro de Secuenciación Avanzada, Instituto Francis Crick, Londres, Reino Unido

Sophia Ward, Foteini Athanasopoulou y Jerome Nicod

Grupo de Investigación de Evolución del Genoma del Cáncer, Cancer Research UK Centro de Excelencia de Cáncer de Pulmón, University College London Cancer Institute, Londres, Reino Unido

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

Laboratorio de Inmunogenómica e Inmunovigilancia Tumoral, University College London Cancer Institute, Londres, Reino Unido

kevin litchfield

Centro de Informática Bill Lyons, University College London Cancer Institute, Londres, Reino Unido

Dhruva Biswas y Javier Herrero

Laboratorio de metástasis del cáncer, University College London Cancer Institute, Londres, Reino Unido

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

Departamento de Patología Celular, University College London Hospitals, Londres, Reino Unido

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

AstraZeneca, Cambridge, Reino Unido

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

The Christie NHS Foundation Trust, Manchester, Reino Unido

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

Fideicomiso de la Fundación NHS del Hospital Universitario de Birmingham, Birmingham, Reino Unido

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

Centro de Investigación del Cáncer, Universidad de Leicester, Leicester, Reino Unido

Nicolás Carey, Joan Riley, Jacqui A. Shaw, Gurdeep Matharu y Lindsay Primrose

AstraZeneca, Waltham, MA, EE. UU.

Daniel Stetson y J. Carl Barrett

Departamento de Bioquímica, Universidad de Cambridge, Cambridge, Reino Unido

Roderik M. Kortlever y Gerard I. Evan

Cancer Research UK & UCL Cancer Trials Centre, Londres, Reino Unido

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

Radiología y Medicina Nuclear, CARIM & GROW, Universidad de Maastricht, Maastricht, Países Bajos

Hugo JWL Aerts

Departamento de Oncología, University College London Hospitals, Londres, Reino Unido

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

Singleton Hospital, Junta de Salud de la Universidad de Swansea Bay, Swansea, Reino Unido

Jason F Lester

Hospitales Universitarios de Leicester NHS Trust, Leicester, Reino Unido

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

Universidad de Leicester, Leicester, Reino Unido

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

Royal Free Hospital, Royal Free London NHS Foundation Trust, Londres, Reino Unido

Ekaterini Boleti

Aberdeen Royal Infirmary NHS Grampian, Aberdeen, Reino Unido

Heather Cheyne, Mohammed Khalil, Shirley Richardson y Tracey Cruickshank

Departamento de Oncología Médica, Aberdeen Royal Infirmary NHS Grampian, Aberdeen, Reino Unido

precio gillian

Universidad de Aberdeen, Aberdeen, Reino Unido

Gillian Price y Keith M. Kerr

Departamento de Patología, Aberdeen Royal Infirmary NHS Grampian, Aberdeen, Reino Unido

Keith M Kerr

The Whittington Hospital NHS Trust, Londres, Reino Unido

kayleigh gilbert

Grupo de Investigación de Cuidados Intensivos de Birmingham, Instituto de Inflamación y Envejecimiento, Universidad de Birmingham, Birmingham, Reino Unido

babu naidu

Instituto de Inmunología e Inmunoterapia, Universidad de Birmingham, Birmingham, Reino Unido

Gary Middleton

Biobanco del Centro de Investigación del Cáncer de Manchester, Manchester, Reino Unido

Angela Leek, Jack Davies Hodgkinson y Nicola Totten

Hospital Wythenshawe, Fideicomiso de la Fundación NHS de la Universidad de Manchester, Wythenshawe, Reino Unido

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

División de Infecciones, Inmunidad y Medicina Respiratoria, Universidad de Manchester, Manchester, Reino Unido

Felipe Crosbie

Cancer Research UK Lung Cancer Center of Excellence, Universidad de Manchester, Manchester, Reino Unido

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

División de Ciencias del Cáncer, Universidad de Manchester y The Christie NHS Foundation Trust, Manchester, Reino Unido

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

Cancer Research UK Manchester Institute Cancer Biomarker Centre, Universidad de Manchester, Manchester, Reino Unido

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

Instituto de Biología Computacional del Cáncer, Centro de Oncología Integrada (CIO), Centro de Investigación del Cáncer Colonia Essen (CCCE), Facultad de Medicina y Hospital Universitario de Colonia, Universidad de Colonia, Colonia, Alemania

roland f schwarz

Instituto de Berlín para los Fundamentos del Aprendizaje y los Datos (BIFOLD), Berlín, Alemania

Roland F. Schwarz y Tom L. Kaufmann

Instituto de Biología de Sistemas Médicos de Berlín, Centro Max Delbrück de Medicina Molecular de la Asociación Helmholtz (MDC), Berlín, Alemania

Tom L Kaufman

Departamento de Genética, Centro de Cáncer MD Anderson de la Universidad de Texas, Houston, TX, EE. UU.

pedro van loo

Departamento de Medicina Genómica, Centro de Cáncer MD Anderson de la Universidad de Texas, Houston, TX, EE. UU.

pedro van loo

Laboratorio de Genómica del Cáncer, Instituto Francis Crick, Londres, Reino Unido

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

Centro de Investigación de la Sociedad Danesa del Cáncer, Copenhague, Dinamarca

Zoltan Szallasi & Miklos Diossi

Programa de informática de salud computacional, Boston Children's Hospital, Boston, MA, EE. UU.

Zoltan Szallasi & Miklos Diossi

Departamento de Bioinformática, Universidad Semmelweis, Budapest, Hungría

Zoltan Szallasi

Departamento de Patología, Hospitales ZAS, Amberes, Bélgica

Roberto Salgado

División de Investigación, Centro de Cáncer Peter MacCallum, Melbourne, Victoria, Australia

Roberto Salgado

Departamento de Física de Sistemas Complejos, Universidad ELTE Eötvös Loránd, Budapest, Hungría

miklos diossi

Laboratorio Integrativo de Genómica del Cáncer, Departamento de Oncología, KU Leuven, Lovaina, Bélgica

Jonas Demeulemeester

VIB–KU Leuven Center for Cancer Biology, Lovaina, Bélgica

Jonas Demeulemeester

Grupo de investigación de genómica computacional del cáncer, University College London Cancer Institute, Londres, Reino Unido

Abigail Bunkum, Olivia Lucas, Simone Zaccaria y Sonya Hessey

Instituto Francis Crick, Londres, Reino Unido

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 & Zoe Ramsden

Instituto del Cáncer del University College London, Londres, Reino Unido

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

Genómica médica, University College London Cancer Institute, Londres, Reino Unido

Carla Castignani, Elizabeth Larose Cadieux, Miljana Tanic y Stephan Beck

Histopatología Experimental, Instituto Francis Crick, Londres, Reino Unido

emma nye y richard kevin piedra

Grupo de Inmunología Retroviral, Instituto Francis Crick, Londres, Reino Unido

George Kassiotis y Kevin W. Ng

Departamento de Enfermedades Infecciosas, Facultad de Medicina, Imperial College London, Londres, Reino Unido

Jorge Kassiotis

Departamento de Hematología, University College London Hospitals, Londres, Reino Unido

Karl S. Peggs

Unidad de Inmunología del Cáncer, Departamento de Investigación de Hematología, University College London Cancer Institute, Londres, Reino Unido

Karl S. Peggs

Departamento de Oncología Molecular e Inmunología, Instituto del Cáncer de los Países Bajos, Ámsterdam, Países Bajos

Kris Dijkstra

Instituto Oncode, Utrecht, Países Bajos

Kris Dijkstra

Oncología Experimental, Instituto de Oncología y Radiología de Serbia, Belgrado, Serbia

Miljana Tanic

Grupo de Regulación Inmune e Inmunoterapia Tumoral, Unidad de Inmunología del Cáncer, Departamento de Investigación de Hematología, University College London Cancer Institute, Londres, Reino Unido

Sergio A. Quezada

Centro de Computación de Imágenes Médicas, Departamento de Física Médica e Ingeniería Biomédica, University College London, Londres, Reino Unido

Catarina Veiga

Departamento de Física Médica y Bioingeniería, University College London Cancer Institute, Londres, Reino Unido

Gary Royle

Departamento de Física Médica e Ingeniería Biomédica, University College London, Londres, Reino Unido

Charles-Antoine Collins-Negro

Instituto de Medicina Nuclear, División de Medicina, University College London, Londres, Reino Unido

Francisco Fraioli

Instituto de Biología Estructural y Molecular, University College London, Londres, Reino Unido

Pablo Ashford

University College London, Londres, Reino Unido

tristán clark

Departamento de Radiología, University College London Hospitals, Londres, Reino Unido

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

UCL Respiratory, Departamento de Medicina, University College London, Londres, Reino Unido

Arjun Nair

Departamento de Cirugía Torácica, University College London Hospital NHS Trust, Londres, Reino Unido

David Lawrence y David Patrini

Lungs for Living Research Centre, UCL Respiratory, University College London, Londres, Reino Unido

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

Departamento de Medicina Torácica, University College London Hospitals, Londres, Reino Unido

Neal Navani y Ricky M. Thakrar

Hospitales del University College London, Londres, Reino Unido

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 y Steve Bandula

Instituto de Investigación del Cáncer, Londres, Reino Unido

Anca Grapa, Hanyun Zhang, Khalid Abdul Jabbar y Xiaoxi Pan

Centro Oncológico MD Anderson de la Universidad de Texas, Houston, TX, EE. UU.

Yuan Yin Yin

Voz independiente de pacientes con cáncer, Londres, Reino Unido

David Chuter y Mairead Mackenzie

Fideicomiso de la Fundación NHS del Hospital Universitario de Southampton, Southampton, Reino Unido

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

Departamento de Oncología, University Hospital Southampton NHS Foundation Trust, Southampton, Reino Unido

cueva de judith

División Académica de Cirugía Torácica, Imperial College London, Londres, Reino Unido

eric lim

Royal Brompton y Harefield Hospitals, Guy's and St Thomas' NHS Foundation Trust, Londres, Reino Unido

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 y Chiara Proli

Departamento de Histopatología, Hospitales Royal Brompton y Harefield, Guy's and St Thomas' NHS Foundation Trust, Londres, Reino Unido

Andrés G. Nicholson

Instituto Nacional del Corazón y los Pulmones, Imperial College London, Londres, Reino Unido

Andrés G. Nicholson

Royal Surrey Hospital, Royal Surrey Hospitals NHS Foundation Trust, Guilford, Reino Unido

Madeleine Hewish

Universidad de Surrey, Guilford, Reino Unido

Madeleine Hewish

Sheffield Teaching Hospitals NHS Foundation Trust, Sheffield, Reino Unido

Sara Danson

Liverpool Heart and Chest Hospital, Liverpool, Reino Unido

Michael J. Shackcloth

Hospital Princess Alexandra, The Princess Alexandra Hospital NHS Trust, Harlow, Reino Unido

lily robinson y peter russell

Facultad de Ciencias del Cáncer, Universidad de Glasgow, Glasgow, Reino Unido

Kevin G. Blyth y John Le Quesne

Instituto de Investigación del Cáncer del Reino Unido Beatson, Glasgow, Reino Unido

Kevin G. Blyth y John Le Quesne

Hospital Universitario Queen Elizabeth, Glasgow, Reino Unido

Kevin G.Blyth

NHS Greater Glasgow and Clyde, Glasgow, Reino Unido

craig dick

Departamento de Patología, Queen Elizabeth University Hospital, NHS Greater Glasgow and Clyde, Glasgow, Reino Unido

Juan Le Quesne

Hospital Nacional Jubileo de Oro, Clydebank, Reino Unido

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

También puede buscar este autor en PubMed Google Scholar

CA, AMF, NJB, NM y CS coescribieron el manuscrito. CA, AMF, NJB, JS y CS concibieron el diseño del estudio. CA, AMF, JK, KG, CP, DB, TLC, JW, CM-R., MAB, OP, TBKW, ELL, A. Huebner, DAM, R. Salgado., FG, AJP, EM, DEC, CTH, MJ-H. y NJB integró datos clinicopatológicos, datos transcriptómicos, datos de exoma y datos de ctDNA. CA, TH, AG, AL, JS, MRS, KL, LJ, CP y CS trabajaron para desarrollar y validar el algoritmo de llamada MRD utilizado en este manuscrito. AMF desarrolló ECLIPSE y realizó análisis de composición clonal utilizados en este manuscrito. AG, MM, AC, LJ, PR y RDD realizaron trabajos experimentales de AMP NGS para datos de ctDNA. KG realizó un análisis del número de copias GISTIC. SV, SW, NC, JR, RDD, MM, AC y JAS supervisaron el almacenamiento de muestras de pacientes con TRACERx y/o la extracción de ADN y/o la secuenciación de muestras de pacientes. TLC, JW y HJWLA realizaron análisis radiómicos de tomografías computarizadas de referencia. TH, MRS, AG, AS, AO y AL realizaron la selección de variantes de ArcherDx, el diseño de PSP y el procesamiento informático de los datos de AMP. AMF, KG, MAB, OP, TBKW, ELL, A. Huebner, DEC y NM realizaron análisis de árbol filogenético y secuenciación multirregional e identificaron variantes de TRACERx para el diseño de PSP. DAM realizó la revisión patológica. A. L'Hernault, AG, LH, PR, HB y NG-H. diseñó y realizó experimentos de validación analítica del ensayo AMP MRD. CA y TH diseñaron y realizaron experimentos de especificidad in silico para el ensayo AMP. DB y NJB realizaron análisis ORACLE. CA y TK realizaron revisiones de informes de imágenes radiológicas. RMK, DH, DS, GIE y JCB brindaron asesoramiento sobre los análisis realizados en este documento. MJ-H., JAS y CS diseñaron los protocolos de estudio. A. Hackshaw dio consejos estadísticos. CA, NM, MJ-H., NJB y CS proporcionaron la supervisión general del estudio. Todos los autores aprobaron la versión final del manuscrito.

Correspondencia a Christopher Abbosh, Nicholas McGranahan o Charles Swanton.

CA ha recibido honorarios por conferencias o gastos de AstraZeneca y Bristol-Myers Squibb y reporta empleo en AstraZeneca. CA y CS figuran como inventores en una solicitud de patente europea relacionada con la tecnología de ensayo para detectar la recurrencia del tumor (PCT/GB2017/053289). Esta patente ha sido licenciada a entidades comerciales y, según sus términos de empleo, CA y CS deben una participación en los ingresos de cualquier ingreso generado por dicha(s) licencia(s). CA y CS declaran una solicitud de patente (PCT/US2017/028013) para métodos para detectar cáncer de pulmón. AMF, CA y CS son inventores nombrados en una solicitud de patente para determinar métodos y sistemas para el control de tumores (PCT/EP2022/077987). CA, CS, KL, CP, TH, LJ, MRS, AG y A. Licon son los inventores nombrados en una protección de patente provisional relacionada con un algoritmo de detección de ctDNA. SV figura como co-inventor de una patente de métodos para detectar moléculas en una muestra (patente de EE. UU., 10,578,620). TH, AG, MM, AC, AS, AO, LJ, PR, MRS, RDD, AL y JS son empleados anteriores o actuales de Invitae o ArcherDx e informan la propiedad de acciones. DB informa honorarios personales de NanoString y AstraZeneca y tiene una solicitud de patente (PCT/GB2020/050221) sobre métodos para el pronóstico del cáncer. MAB ha consultado para Achilles Therapeutics. DAM informa honorarios de oradores de AstraZeneca, Eli Lilly y Takeda; honorarios de consultoría de AstraZeneca, Thermo Fisher Scientific, Takeda, Amgen, Janssen, MIM Software, Bristol-Myers Squibb y Eli Lilly; y ha recibido apoyo educativo de Takeda y Amgen. NG-H., A. L'Hernault, HB, DH, DS y JCB informan sobre la propiedad de acciones y el empleo en AstraZeneca. A. Hackshaw ha recibido honorarios por ser miembro de comités independientes de control de datos para ensayos clínicos patrocinados por Roche y proyectos académicos coordinados por Roche. CTH ha recibido honorarios por oradores de AstraZeneca. MJ-H. ha consultado y es miembro de la junta asesora científica y el comité directivo de Achilles Therapeutics; ha recibido honorarios como orador de Pfizer, Astex Pharmaceuticals, Oslo Cancer Cluster; y figura como coinventor en una solicitud de patente europea relacionada con métodos para detectar el cáncer de pulmón (PCT/US2017/028013). Esta patente ha sido licenciada a entidades comerciales y, bajo condiciones de empleo, MJ-H. se le debe una parte de los ingresos generados por dicha(s) licencia(s). NJB figura como co-inventor de una patente para identificar a los respondedores al tratamiento del cáncer (PCT/GB2018/051912), tiene una solicitud de patente (PCT/GB2020/050221) sobre métodos para el pronóstico del cáncer y una patente sobre métodos para predecir anti- respuesta al cáncer (US14/466,208). HJWLA ha recibido honorarios personales y acciones de Onc.AI, Sphera y Love Health, y honorarios por conferencias de Bristol-Myers Squibb. KL tiene una patente (CA3068366A) sobre la carga de indel y la respuesta pendiente de CPI y los honorarios de los oradores de Roche tisular diagnósticos y Ellipses Pharmaceuticals, financiamiento de investigación de la alianza CRUK TDL/Ono/LifeArc, Genesis Therapeutics y roles de consultoría con Monopteros Therapeutics y Kynos Therapeutics (todos fuera de esta obra). NM ha recibido honorarios por consultoría y tiene opciones sobre acciones en Achilles Therapeutics; y posee patentes europeas relacionadas con la detección de neoantígenos (PCT/EP2016/059401), la identificación de la respuesta del paciente al bloqueo del punto de control inmunitario (PCT/EP2016/071471), la determinación de HLA LOH (PCT/GB2018/052004) y la predicción de las tasas de supervivencia de pacientes con cáncer ( PCT/GB2020/050221). CS reconoce el apoyo de subvenciones de AstraZeneca, Boehringer-Ingelheim, Bristol-Myers Squibb, Pfizer, Roche-Ventana, Invitae (anteriormente Archer Dx, colaboración en tecnologías de secuenciación de enfermedades residuales mínimas), Ono Pharmaceutical y Personalis; es miembro del consejo asesor de AstraZeneca e investigador principal de los ensayos clínicos AZ MeRmaiD 1 y 2 y también es coinvestigador principal del ensayo NHS Galleri financiado por GRAIL y miembro pagado del consejo asesor científico de GRAIL. Recibe honorarios de consultoría de Achilles Therapeutics (también miembro del consejo asesor científico), Bicycle Therapeutics (también miembro del consejo asesor científico), Genentech, Medicxi, Roche Innovation Centre–Shanghai, Metabomed (hasta julio de 2022) y Sarah Instituto de Investigación de Cañón; ha recibido honorarios de Amgen, AstraZeneca, Pfizer, Novartis, GlaxoSmithKline, MSD, Bristol-Myers Squibb, Illumina y Roche-Ventana; tenía opciones sobre acciones en Apogen Biotechnologies y GRAIL hasta junio de 2021, y actualmente tiene opciones sobre acciones en Epic Bioscience, Bicycle Therapeutics, y tiene opciones sobre acciones y es cofundador de Achilles Therapeutics; y posee solicitudes de patentes adicionales relacionadas con la detección de neoantígenos (PCT/EP2016/059401), identificación de la respuesta del paciente al bloqueo del punto de control inmunitario (PCT/EP2016/071471), determinación de HLA LOH (PCT/GB2018/052004), predicción de las tasas de supervivencia de pacientes con cáncer (PCT/GB2020/050221), que identifica pacientes que responden al tratamiento del cáncer (PCT/GB2018/051912) y una solicitud de patente tanto europea como estadounidense relacionada con la identificación de objetivos de mutación de inserción/deleción (PCT/GB2018/051892).

Nature agradece a Aadel Chaudhuri y a los otros revisores anónimos por su contribución a la revisión por pares de este trabajo.

Nota del editor Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

A. Gráfico de barras apiladas de paneles específicos de pacientes (PSP) diseñados a partir de datos de secuenciación de tumores primarios que muestran el número de variantes clonales (rojo oscuro) y subclonales (rojo claro) por panel. Las variantes que carecen de información de clonalidad se muestran en gris (mediana de 3 variantes por paciente [1-20], estas mutaciones ya no son llamadas por TRACERx o ArcherDx pero no TRACERx, ver métodos). Los PSP rastrearon una mediana de 126 variantes clonales (rango 21 a 195) y 64 variantes subclonales (rango 0 a 174). La clonalidad se determinó mediante análisis PyClone de datos de exoma multirregión derivados de resecciones primarias de NSCLC (métodos); en ausencia de datos PyClone, las variantes presentes en todas las muestras tumorales secuenciadas multirregión se denominaron clonales. B. Gráfica de violín que demuestra el % de grupos subclonales derivados de datos de exoma tumoral multirregional rastreados por PSP por paciente. Se rastreó una mediana del 88% de los grupos de mutaciones subclonales presentes en el árbol filogenético derivado del exoma de múltiples regiones de cada paciente [rango 0-100]. Se incluyeron 184 tumores con árboles filogenéticos. C. Distribución de los valores de entrada de cfDNA para la cohorte, entrada mediana de 23 ng, n = 1069 muestras. Se realizó una limitación a la entrada de 60 ng para parte de la cohorte, lo que explica el pico en este valor; para el resto de la cohorte, todo el cfDNA extraído se ingresó en el ensayo (los colores representan diferentes categorías de entrada de cfDNA, como se indica). D. Histograma que demuestra la distribución de valores de profundidad de secuenciación únicos por variante en toda la cohorte; La profundidad única se refiere a la profundidad controlada por error lograda en una posición objetivo por un PSP (se requieren al menos 5 lecturas coincidentes de identificador molecular único (UMI) para crear una lectura controlada por error de consenso, ver métodos). La profundidad única mediana por variante rastreada por un PSP fue 2226x (rango de 0 a 53789x, n = 201910). E. Correlación entre la entrada de cfDNA (ng, eje Y) en el ensayo y la mediana de la profundidad corregida por UMI lograda en un PSP en 1069 puntos de tiempo de plasma (eje X). Valor R de Spearman = 0,63 y valor P bilateral < 2,2e-16. F. Asociación entre la mediana de la tasa de deduplicación lograda en una muestra (eje Y) y la entrada de cfDNA en el ensayo (ng, eje X); la tasa de duplicación se refiere al número medio de lecturas duplicadas admitidas por UMI dentro de una familia de lectura. Siempre que fue posible, se realizó una nueva secuenciación de las muestras en las que la tasa de duplicación mediana era inferior a 10 para maximizar la información recuperable de las muestras de cfDNA, dado que se requieren 5 lecturas compatibles con UMI para crear una familia UMI. 17 de 1069 muestras de cfDNA evaluadas exhibieron una tasa de deduplicación mediana final inferior a 5 (corresponde a la línea horizontal en el gráfico). Los colores corresponden a diferentes categorías de entrada de cfDNA y panel de coincidencia c. GH. Gráficos de caja que demuestran las tasas de error (%, eje Y) por cada uno de los 96 contextos de trinucleótidos de mutación (eje X, 192 contextos de trinucleótidos de mutación [TNC] simplificados a 96 tipos de mutación idénticos de complemento inverso), gráficos divididos por evento de transición (G) y transversión evento (H). Los datos de posición de fondo de n = 1069 bibliotecas de ADN sin células utilizadas para generar gráficos, las variantes que se predijo que exhibirían tasas bajas de error de fondo de los análisis de datos piloto se priorizaron para el diseño de PSP. Las bisagras corresponden al primer y tercer cuartil, los bigotes se extienden al valor mayor/menor no más allá de 1,5 veces el rango intercuartílico. Las líneas centrales representan medianas.

ANUNCIO. Valores de p de emisor de MRD pre y posoperatorios (valor de P de emisor de MRD en el eje Y, prueba de Poisson unilateral, ver Métodos) observados en la fase piloto del proyecto. El eje X muestra los niveles de ctDNA clonal. A. Muestras postoperatorias de n = 5 pacientes que no tuvieron recurrencia de su NSCLC; todas las n = 55 muestras de pacientes tenían valores de P de llamadas superiores al umbral de P > 0,1, lo que significa que se consideraron negativos para ctDNA. B. Valores de P de llamadas postoperatorias observados en n = 5 pacientes que tuvieron una recaída de su NSCLC. 1 de 13 llamadas se realizó entre valores de p de llamante de 0,1 y 0,01, las 12 llamadas restantes se realizaron con un valor de p de llamante inferior a 0,01. C. Llamadas preoperatorias de ctDNA de la cohorte piloto; 7 pacientes tenían ctDNA positivo en plasma antes de la cirugía, todas las llamadas se realizaron con valores P < 0,01. D. Análisis de simulación in-silico para evaluar la especificidad de la persona que llama MRD. Se generaron 3157 paneles de MRD simulados dentro de las bibliotecas de pacientes piloto evaluables y se evaluaron los valores P de las personas que llamaron MRD. Con un valor de P de la persona que llama < 0,1 umbral, 121/3157 paneles simulados fueron positivos para ctDNA (especificidad in-silico del 96,2 %); en un umbral de valor P de la persona que llama < 0,01, 22/3157 paneles simulados simulados fueron positivos para ctDNA (especificidad in-silico del 99,3 %). EF. Validación analítica de 50 paneles de detección de MRD variantes. E. El ADN fragmentado con un perfil conocido de polimorfismo de un solo nucleótido (SNP) se agregó a un segundo fondo de ADN fragmentado con un perfil de SNP diferente y un panel específico del paciente apuntó a 50 posiciones alternativas presentes en el ADN agregado. Se generaron 559 puntos de datos a través de diferentes cantidades de entrada de ADN indicadas, para establecer el límite de las parcelas de detección. El eje Y y el centro de las barras de error demuestran la sensibilidad (definida como la proporción de todas las repeticiones que resultaron en la detección de MRD utilizando un valor P de llamada de 0,01). Los intervalos de confianza en el gráfico son intervalos de confianza de Clopper-Pearson (IC del 95 %). El eje X muestra la cantidad de ADN de línea germinal variante que se agregó a cada repetición expresada como porcentaje del ADN total en esa muestra. F. Las muestras de ADN tumoral circulante con fracciones de alelos variantes altas se añadieron a un fondo de ADN libre de células diferente. Las posiciones variantes en ctDNA se seleccionaron con un panel de 50 variantes; Se generaron 100 puntos de datos a través de las cantidades de entrada de ADN indicadas. Los ejes y las barras de error son los mismos que (E). G. Se muestran los datos de los análisis de 48 muestras en blanco donadas por 24 participantes sanos, los valores P de la persona que llama. H. Gráficos de barras que demuestran las frecuencias alélicas previstas y las frecuencias alélicas medidas en los diferentes complementos presentados en la parte (E) y la parte (F) solo se presentan datos de muestras con variantes de ADN positivo. Los colores de la gráfica de barras representan diferentes masas de entrada de ADN como se muestra en la leyenda. Las barras de error en el gráfico representan el valor medio de todas las muestras positivas +/- la desviación estándar de los valores. Donde la barra de error está ausente, esto se debe a que en este nivel de adición y masa de entrada de ADN, solo se observó una muestra positiva. Cuando la barra de error conducía a una AF media observada inferior a 0, la barra de error se detenía en 0 con fines de visualización (el caso de 0,05 % de adición, 2 ng de masa de entrada). Las líneas discontinuas horizontales corresponden a las categorías de refuerzo del 0,1 %, 0,05 % y 0,01 %. Cada punto de datos está representado en los gráficos por un círculo. n = 369 muestras positivas de ADN variante mostradas en el gráfico de barras LOD1, n = 93 muestras positivas de ADN variante mostradas en el gráfico de barras LOD2. I. Comparación entre el contenido de ADN libre de células introducido en las reacciones de ddPCR (amarillo) y las reacciones de AMP PCR (azul). Las bisagras corresponden al primer y tercer cuartil, los bigotes se extienden al valor mayor/menor no más allá de 1,5 veces el rango intercuartílico. Las líneas centrales representan medianas. Cada punto en la gráfica representa un punto de datos, las líneas conectan muestras emparejadas del mismo paciente. Se ingresó una cantidad significativamente mayor de ADN libre de células en las reacciones de ddPCR (prueba de Wilcoxon bilateral emparejada P = 0,01366). J. Comparación ortogonal entre la detección de ctDNA basada en paneles de AMP utilizados en TRACERx y ddPCR frente a una sola variante clonal. El umbral de llamada positivo de ddPCR ctDNA fue de dos gotitas mutantes (tabla inferior) y una gotita mutante (tabla superior). En la tabla se muestra el porcentaje de concordancia positiva (PPA) y el porcentaje de concordancia negativa (NPA) utilizando ddPCR como comparador. Los valores P de la prueba de Fisher bilateral se muestran debajo de las tablas cruzadas. K. Se diseñó un panel específico del paciente con 300 mutaciones y se aplicó a muestras de ADN de 10 ng que contenían niveles de variantes adicionales de 0 % a 0,1 %. Se realizó un submuestreo in silico de las 300 mutaciones (3 x 200 mutaciones en paneles silico, 3 x 100 mutaciones en paneles silico y 3 x 50 mutaciones en paneles silico, ver métodos) y las sensibilidades se clasifican por el número de mutaciones objetivo del panel .

Un diagrama de flujo que muestra diferentes cohortes analizadas en este manuscrito; la parte superior del diagrama de flujo muestra el número total de muestras de plasma que se pretendía analizar (n = 1095 de 197 pacientes) que se redujo a 1069 muestras debido a discrepancias de polimorfismo de un solo nucleótido entre cfDNA y datos de exoma tisular en 26 casos, lo que sugiere intercambio de muestras. Estas muestras se analizaron en 3 cohortes principales, la cohorte piloto (izquierda), la cohorte preoperatoria (centro) y la cohorte posoperatoria (derecha). La cohorte posoperatoria se dividió en diferentes categorías en función de la evaluabilidad histórica (en relación con las muestras donadas dentro de los 120 días posteriores a la cirugía para permitir un análisis histórico de ctDNA). B. Mapa de calor que muestra fracciones de ctDNA clonales específicas de tumores individuales en pacientes con tumores primarios sincrónicos diagnosticados al inicio del estudio. Las filas de anotaciones del mapa de calor muestran la llamada de ctDNA presente en esa muestra en todas las variantes interrogadas por la persona que llama MRD, el estadio TNM patológico más alto, la histología individual y los volúmenes tumorales individuales de los dos tumores sincrónicos presentes al inicio del estudio (para esta categoría, el gris representa datos ausentes o volumen no evaluable). C. Diagrama de caja que demuestra la diferencia en el historial de paquete-año en 187 pacientes con NSCLC con ctDNA positivo preoperatorio y pacientes con NSCLC con ctDNA negativo en el preoperatorio. Las bisagras corresponden al primer y tercer cuartil, los bigotes se extienden al valor mayor/menor no más allá de 1,5 veces el rango intercuartílico. Las líneas centrales representan medianas. El valor P representa una prueba de suma de rangos de Wilcoxon. D. Curvas de Kaplan-Meier que demuestran la ausencia de resultados de recurrencia en pacientes con adenocarcinoma primario único (izquierda) y pacientes con adenocarcinoma primario único sin adenocarcinoma (derecha). El ctDNA alto y bajo se clasificaron en función de la mediana de los niveles clonales de ctDNA en los casos positivos de ctDNA y se relacionan con por encima y por debajo del 0,16 %. Los valores de rango logarítmico P se muestran en cada gráfico. E. Análisis de regresión multivariable de Cox de supervivencia general (OS) y ausencia de recurrencia (FFR, definida como recurrencia solamente) en pacientes con NSCLC único (no sincrónico); evaluando el estado de detección de ctDNA, el estadio pTNM (Tumour Node Metastasis pathological stage versión 7, categorías I, II o III), si se administró terapia adyuvante, la edad y la profundidad de secuenciación única transformada por log10 como predictores en adenocarcinomas y no adenocarcinomas por separado. Se incluyó una profundidad de secuenciación única para ajustar las muestras subsecuenciadas, lo que representa posibles falsos negativos. Se analizaron n = 88 pacientes con adenocarcinoma y n = 81 pacientes sin adenocarcinoma para FFR y OS. En los diagramas de bosque, el rombo representa la razón de riesgo multivariable (HR) con barras de error correspondientes a intervalos de confianza (IC) del 95 %. Los valores de P multivariable (p) se muestran en el gráfico junto con el número de pacientes en cada categoría (N). Las categorías de referencia fueron pacientes con ctDNA positivo, pacientes con pTNM en estadio I y pacientes que recibieron terapia adyuvante. El valor P exacto de la regresión de Cox para el Resultado: categoría ctDNA -ve en el gráfico de adenocarcinoma FFR = 0,00022. F. Mapa de calor que muestra el sitio de la recaída en casos de adenocarcinoma recurrente dividido por si se detectó ctDNA preoperatorio (rojo oscuro, derecha) o no se detectó (gris, izquierda). Se muestran los sitios de recaída intratorácica (mediastino, locorregional, pulmón ipsilateral, pulmón distante - colores verdes) o extratorácica (hueso, cerebro, hígado, suprarrenal, ganglios linfáticos extratorácicos u otro sitio extratorácico - colores rojos) se muestran los sitios de recaída (los sitios que se muestran son sitios metastásicos diagnosticados dentro de 180 días de recidiva clínica). El mapa de calor está anotado por la etapa patológica de la versión 7 de la metástasis del nódulo tumoral. G. Curva de Kaplan-Meier que demuestra la supervivencia posterior a la recaída en pacientes con adenocarcinoma recurrente (n = 38) estratificados por ctDNA positivo preoperatorio (rojo) o ctDNA negativo preoperatorio (gris). El valor P de rango logarítmico se muestra en el gráfico.

A. Diagrama de flujo que muestra los pacientes disponibles para análisis volumétricos y las razones de la exclusión. B. Histograma que muestra el número de casos de NSCLC por volumen, con las muestras positivas para ctDNA como barras rojas y las muestras negativas para ctDNA como barras grises. n = 150 casos evaluables por volumen. C. Gráfica de correlación de volumen versus nivel de ctDNA clonal transformado log10 con cada caso individual de TRACERx que fue positivo para ctDNA como un punto y coloreado por estado de adenocarcinoma (rojo oscuro) y escamoso u otra histología (azul oscuro). La línea ajustada representa una línea de modelo lineal categorizada por histología tumoral. Debajo del gráfico de correlación hay una tabla que describe un modelo multivariable lineal basado en estos datos para predecir los niveles de ctDNA clonal transformado con log10 según el volumen del tumor y la histología (adenocarcinoma y escamoso y otras categorías). Los valores de P representan los valores de P ajustados del modelo lineal, n = 96 NSCLC positivos para ctDNA, evaluables por volumen analizados. D. Sobre la base de un modelo de regresión lineal multivariable ajustado a los datos en (C), clasificamos los adenocarcinomas negativos para ctDNA como de baja diseminación biológica o no diseminadores técnicos (ver métodos). Si un volumen tumoral en particular dio como resultado un nivel de ctDNA de mutación clonal estimado por encima del nivel de ctDNA clonal que una biblioteca podría detectar (intervalo de confianza 95% más bajo para el nivel de ctDNA clonal estimado basado en el volumen del tumor está por encima del nivel de ctDNA clonal detectable en la biblioteca preoperatoria de cfDNA de ese paciente), entonces el caso se clasificó como probable biológico de baja excreción (rojo en el histograma); de lo contrario, el caso se clasificó como probable técnicamente no desprendible (turquesa en el histograma). El eje Y representa la estimación de confianza inferior al 95 % para el nivel de ctDNA de mutación clonal dividido por el nivel de ctDNA de mutación clonal mínimamente detectable (MDCL) para el panel de ese paciente. El eje X es cada paciente individual analizado. Se presentaron datos de n = 47 adenocarcinomas negativos para ctDNA. E. Gráficos de caja de violín que comparan la pureza del tumor en adenocarcinomas de baja excreción de ctDNA (azul, n = 79 regiones tumorales de 28 pacientes) y adenocarcinomas positivos para ctDNA (rojo, n = 166 regiones tumorales y de ganglios linfáticos de 35 pacientes). Las comparaciones por pares se realizan utilizando modelos lineales de efectos mixtos, los valores de P son bilaterales. Las bisagras del diagrama de caja corresponden al primer y tercer cuartil, los bigotes se extienden al valor mayor/menor no más allá de 1,5 veces el rango intercuartílico y las líneas centrales representan las medianas. Los violines representan la distribución de los datos subyacentes. F. Gráficos de barras que muestran alteraciones de impulsores a nivel de genes entre adenocarcinomas positivos para ctDNA (n = 39 pacientes) y adenocarcinomas de baja excreción negativos para ctDNA (n = 31 pacientes). Los colores indican el estado de detección de ctDNA. El eje Y muestra los 14 genes alterados con mayor frecuencia, el eje X muestra el porcentaje de pacientes que portan una alteración en el gen por categoría de detección. NS: no significativo (prueba exacta de Fisher bilateral con ajuste del valor FDR P). G. Mutaciones impulsoras a nivel de vía entre adenocarcinomas positivos para ctDNA (n = 39 pacientes) y adenocarcinomas de baja excreción negativos para ctDNA (n = 31 pacientes). El eje X muestra las identificaciones de los pacientes, el eje Y muestra las vías siguiendo la definición de Sánchez-Vega. La barra superior indica el estado de detección de ctDNA (el rojo oscuro representa los positivos de ctDNA, el azul representa las bajas emisiones biológicas). Los colores del mapa de calor muestran mutaciones; el azul denota mutaciones clonales y el rojo denota mutaciones subclonales. Ninguna ruta mostró un enriquecimiento significativo en los adenocarcinomas que se desprenden o no se desprenden del ctDNA (NS: no significativo, utilizando la prueba exacta de Fisher bilateral con el ajuste del valor FDR P). H. Estado de duplicación del genoma completo por tumor que compara adenocarcinomas positivos para ctDNA con adenocarcinomas de baja diseminación negativos para ctDNA, utilizando la prueba exacta de Fisher de dos colas. El amarillo representa el número de tumores sujetos a la duplicación del genoma completo en al menos una región, el turquesa representa los tumores sin duplicaciones del genoma completo. I. Volumen por estado de desprendimiento de ctDNA. Los no excretores biológicos en rojo representan las muestras del cuartil más pequeño. Después de eliminarlos del análisis, no se encontraron diferencias significativas en el volumen del tumor entre los positivos de ctDNA y los de bajo desprendimiento de ctDNA. Las comparaciones por pares se realizan con pruebas de suma de rangos de Wilcoxon de dos colas. Diagrama de J. Venn que muestra la superposición entre los genes expresados de manera significativamente diferencial entre los adenocarcinomas de ctDNA positivo y ctDNA de baja excreción obtenidos del conjunto de datos completo, en relación con el conjunto de datos ajustado por volumen. Las comparaciones se realizan calculando el índice de similitud de Jaccard y el valor P bilateral correspondiente utilizando el método exacto. K. Diagrama de Venn que muestra la superposición entre citobandas significativamente alteradas según lo llama GISTIC, comparando ctDNA positivo con adenocarcinomas de baja excreción de ctDNA obtenidos del conjunto de datos completo, en relación con el conjunto de datos ajustado por volumen. La prueba estadística sigue (J).

A. Tabla que muestra detalles de resultados inesperados de ctDNA positivo en pacientes que no tuvieron recurrencia de la enfermedad. B. Análisis de falso positivo CRUK0498: Los diagramas de puntos representan variantes detectadas con confianza en los puntos de tiempo de muestreo de cfDNA ilustrados (panel izquierdo), variantes detectadas con confianza en tejido normal, ADN de control y ADN de células mononucleares de sangre periférica (PBMC, capa leucocitaria) basado en aplicación del panel específico del paciente de CRUK0498 a estas muestras respectivas (panel central) y las frecuencias de alelos mutantes de variantes seleccionadas en los datos del exoma del tejido tumoral (panel derecho). Las cuatro variantes en la leyenda (variantes en los genes ATP2C1, DDIT4L, EYS y TUSC3) representan variantes llamadas con confianza en el 50 % o más de los puntos de tiempo en las muestras de cfDNA (tenga en cuenta que llamadas con confianza significa una variante individual Poisson valor de P unilateral de <0.01 [generado por la persona que llama MRD, ver métodos]). C. Una imagen de hematoxilina y eosina del tumor del paciente CRUK0498 donde el análisis del exoma detectó las variantes en los genes ATP2C1, DDIT4L, EYS y TUSC3 en frecuencias alélicas variantes altas. Esta imagen muestra un denso agregado de linfocitos en esta región tumoral. Barra de escala debajo de la imagen. Se analizó una sola imagen. D. Se analizaron otras 19 muestras preoperatorias de PBMC de pacientes con TRACERx; no se realizaron llamadas confiables de ADN variante en todo el panel en las muestras de PBMC de estos pacientes utilizando el algoritmo de llamada MRD. E. Los análisis de nivel de variante de las muestras de PBMC preoperatorias analizadas en el panel (D) destacaron que se detectaron 12 de 3621 variantes interrogadas por los paneles (valor de P de Poisson unilateral de nivel de variante < 0,01). 8 de las 12 variantes detectadas se eliminaron del algoritmo de llamada MRD en los análisis de ADN sin células (cfDNA) debido a la activación de filtros resaltados en la anotación del mapa de calor. Solo 2 de las 4 variantes restantes llevaron lecturas alternativas profundas en la muestra de cfDNA preoperatoria de los pacientes respectivos (flechas rojas). El mapa de calor muestra la frecuencia del alelo de la variante cfDNA y la frecuencia del alelo de la variante WBC de las variantes detectadas (el color gris representa la ausencia de detección de la variante). Dos variantes de línea germinal mal dirigidas están resaltadas con flechas negras para el paciente CRUK0296, las variantes fueron seleccionadas por error por la canalización de diseño del panel de la industria, pero no por la canalización del exoma TRACERx (métodos), y se filtraron del algoritmo de llamada MRD debido a la activación del filtro de valores atípicos ( filtro de desequilibrio dao, rojo oscuro).

A. Análisis de 13 pacientes que experimentaron una recaída intracraneal que dieron positivo para ctDNA en una muestra de sangre postoperatoria. El eje X muestra el nivel de ctDNA clonal en el punto de detección de ctDNA posoperatorio y el eje Y muestra el día de la detección de ctDNA posoperatorio. Los puntos están coloreados en función de si la recaída intracraneal fue solitaria (verde), acompañada de otro sitio extracraneal (rojo) o solitaria no confirmada (azul, no se realizaron imágenes extracraneales) y tienen forma según el estado de ctDNA de referencia. B. Mapa de calor de los datos de nivel de ctDNA de mutación clonal en la primera detección posoperatoria de ctDNA. Las filas de anotaciones muestran el estado del ctDNA del paciente (punto de referencia positivo, ctDNA detectado dentro de los 120 días posteriores a la operación; punto de referencia negativo, ctDNA negativo dentro de los 120 días posteriores a la operación; no evaluable, el estado de referencia no puede establecerse), el día en que se detectó el ctDNA después de la operación, la histología del tumor primario y tiempo de anticipación (días desde la detección de ctDNA hasta la recaída clínica). Cuando el plazo de entrega no era aplicable (por ejemplo, enfermedad resecada de forma incompleta, ctDNA detectado después de la recaída, consulte los métodos), el plazo de entrega aparece en color gris. Las siguientes dos filas (gráficos de barras) muestran el número de mutaciones clonales o subclonales rastreadas por un panel específico de paciente (PSP) de AMP; si la barra es azul, representa la detección confiable de una variante individual (basada en un valor P de variante individual de <0,01 [prueba de Poisson unilateral basada en la salida de la persona que llama MRD, consulte los métodos]), si la barra es negra, representa la ausencia de llamada segura de una variante, si la barra es roja, representa que una variante fue filtrada por el algoritmo de llamada MRD. La fila final representa el nivel medio de ctDNA clonal en el primer momento de detección de ctDNA para un paciente. Esto está en una escala log-10 como se muestra en la leyenda del mapa de calor. Para el paciente CRUK0296, se produjo la detección de ctDNA, pero los niveles de ctDNA clonal fueron del 0 % (barra gris), ya que la mutación que impulsó la detección de ctDNA en el posoperatorio no tenía un estado clonal. C Gráficas longitudinales por paciente en 12 pacientes con ctDNA positivo antes de la terapia adyuvante. Las parcelas se anotan con el tiempo de espera (Lt), los escaneos realizados y el tratamiento administrado (ver leyenda). El eje Y representa los niveles de ctDNA clonal y cada círculo en el gráfico representa un punto de tiempo de muestreo de sangre. Si el círculo es rojo, indica que la muestra de sangre dio positivo para ctDNA usando la llamada MRD. El eje X muestra los días posteriores a la cirugía. DELAWARE. Curvas de Kaplan-Meier en la población evaluable histórica (pacientes que donaron sangre dentro de los 120 días posteriores a la cirugía antes del tratamiento o recurrencia clínica, n = 102/108 pacientes evaluables históricas fueron evaluables para el análisis de supervivencia, consulte los métodos para las exclusiones) que muestran la supervivencia general (SG ,D) o la ausencia de recurrencia (FFR,E) para los pacientes con un punto de referencia positivo (rojo oscuro) frente a un punto de referencia negativo (gris). Valores log-rank P mostrados en curvas. F. Gráficos de caja que muestran la distribución de los tiempos de anticipación (tiempos desde la detección de ctDNA hasta la recurrencia clínica) categorizados por el estado de referencia del ctDNA del paciente. Las bisagras corresponden al primer y tercer cuartil, los bigotes se extienden al valor mayor/menor no más allá de 1,5 veces el rango intercuartílico. Las líneas centrales representan medianas. Prueba de Kruskal-Wallis P = 0,0057, las pruebas de Wilcoxon por pares no ajustadas comparan categorías individuales, n = 63 pacientes analizados. G. Los gráficos circulares demuestran el número de ocurrencias de estados de detección de ctDNA especificados (rojo: ctDNA negativo, verde: ctDNA positivo, azul: no se ha establecido el estado de ctDNA), antes de una exploración que no muestra nuevos cambios (izquierda) o nuevos cambios extracraneales equívocos (centro). ). Las categorías positivas y negativas de ctDNA luego se desglosan aún más en un análisis a nivel de paciente que muestra los resultados de los pacientes que experimentaron la aparición de los eventos de estado de ctDNA y de imagen especificados. H. Gráfico de barras que muestra el recuento de sitios anatómicos equívocos específicos observados en exploraciones que muestran nuevos cambios equívocos; Las lesiones pulmonares equívocas y los ganglios linfáticos fueron los hallazgos equívocos anómalos más comunes en las imágenes de vigilancia del NSCLC. Se pueden observar múltiples sitios equívocos en una exploración. I. Diagrama de barras del sitio eventual de recaída y estado de ctDNA en 33 pacientes con estado de ctDNA establecido antes de las imágenes de vigilancia, que muestra un nuevo agrandamiento de ganglio linfático equívoco. El eje X muestra el estado de detección del ctDNA del paciente antes de las exploraciones de vigilancia. El eje Y muestra el recuento de pacientes. El paciente CRUK0090 exhibió casos de estados de ctDNA tanto negativos como positivos antes de exploraciones de linfadenopatía equívocas separadas, por lo que está presente en las categorías de ctDNA positivo y negativo. Otros pacientes solo se incluyen una vez. Al paciente CRUK0234 se le diagnosticó un ganglio linfático no resecado, el ctDNA fue negativo en el posoperatorio y se incluyó en el análisis. Los gráficos de barras se llenan con el estado de recurrencia de los pacientes en estas categorías. Recurrida con NL se refiere a la afectación de los ganglios linfáticos en la recidiva (color rojo oscuro). Recurrencia sin NL se refiere a la recurrencia sin afectación de los ganglios linfáticos (color verde).

A. Una descripción general conceptual del método ECLIPSE y los tipos de entrada de datos. FCC; fracción de células cancerosas y VAF; fracción de alelo variante. El esquema fue creado usando BioRender. B. Ecuación para calcular la pureza del tumor (el % de células de las que se derivó el ADN que son células tumorales, véase la nota complementaria 1, también denominada "celularidad" o "fracción celular aberrante") utilizando mutaciones clonales. C. Ecuación para calcular la fracción de células cancerosas (CCF). Multiplicidad = número de copias de ADN mutado en cada célula mutada, CNt = número total de copias en el tumor, CNn = número total de copias en células normales (no tumorales), VAF = fracción alélica variante, P = pureza tumoral (el % de células de las que se derivó el ADN que son células tumorales, consulte la Nota complementaria 1). D. Cambio porcentual en la multiplicidad media de mutaciones clonales comparando mediciones en muestras de tejido extirpado quirúrgicamente con muestras de tejido tomadas en la recaída (46 pacientes con muestras de tejido primarias y de recurrencia pareadas representadas). E. Una comparación entre el VAF clonal medio de mutaciones y la pureza tumoral de ctDNA calculada por ECLIPSE donde los puntos de datos (muestras de plasma) están coloreados por el número promedio de copias de mutaciones clonales rastreadas (medidas mediante secuenciación de tejidos). Se excluyen los pacientes con múltiples tumores y las muestras con evidencia de número de copias de inestabilidad en la recaída. Se representan un total de 322 muestras de 134 pacientes.

A. CCF mínimamente detectable para cada muestra positiva de ctDNA en comparación con los niveles clonales de ctDNA para cada muestra. Se incluyeron todas las muestras positivas de ctDNA (N = 354). El CCF mínimamente detectable se calculó utilizando el número mínimo de lecturas necesarias para una llamada de detección de clones positiva (P < 0,01) (métodos). B. CCF mínimamente detectable a lo largo del tiempo para cada paciente con una línea horizontal que indica el umbral para muestras de alta sensibilidad de subclones (20% CCF). Se incluyeron todas las muestras positivas de ctDNA (N = 354). El 61 % de las muestras preoperatorias positivas para MRD se consideraron de alta sensibilidad de subclones y el 66 % de las muestras posoperatorias se consideraron de alta sensibilidad de subclones (en general, el 64 % de las muestras). C. Un histograma de niveles clonales de ctDNA para todas las muestras positivas de ctDNA (N = 354) con líneas verticales que indican los umbrales para la evaluabilidad de ECLIPSE y para la evaluabilidad de deconvolución clonal tradicional utilizada para muestras de tejido TRACERx28 y enfoques de deconvolución clonal anteriores en ctDNA14,77. D. Un histograma de los niveles máximos de ctDNA clonal observados en muestras postoperatorias para cada paciente con líneas verticales que indican los umbrales para la evaluabilidad de ECLIPSE y para la evaluabilidad de desconvolución clonal tradicional (ver C). Esto se muestra para 66 pacientes que recayeron con plasma posoperatorio positivo para ctDNA. E. Validación de las tasas de detección de ECLIPSE a través del número de mutación subclonal variable, el nivel de ctDNA clonal, la fracción de células cancerosas del subclon y la cantidad de entrada de ADN en el ensayo. Los subclones se construyeron utilizando experimentos de refuerzo in vitro de verdad con 10-12 réplicas técnicas para cada combinación de fracción de masa-alelo de entrada. A continuación, estas fracciones de alelos mutantes de verdad básica se mezclaron in silico para construir 76.263 subclones que variaban según estos parámetros. Los datos de estos subclones derivados experimentalmente luego se analizaron a través de ECLIPSE y las tasas de detección de subclones en cada uno de estos parámetros representados.

A. Correlación entre las fracciones de células cancerosas (CCF) medidas en muestras de plasma preoperatorias con datos filogenéticos, >0,1 % de nivel de ctDNA clonal y >=10 ng de entrada de ADN (muestras con alta sensibilidad de subclones) con ECLIPSE y aquellas medidas con secuenciación de tejido de múltiples regiones (M-seq) en la cirugía (N = 71 pacientes y 684 subclones incluidos). B. CCF desconocidos para el número de copias calculados solo usando VAF (métodos) en comparación con CCF de tejido de M-seq. Se incluyeron todas las muestras preoperatorias con datos filogenéticos, >0,1 % de nivel de ctDNA clonal y >=10 ng de entrada de ADN (muestras con alta sensibilidad a los subclones) (N = 71 pacientes y 684 subclones incluidos). C. Un gráfico de dispersión que demuestra la relación entre el nivel de ctDNA clonal y la proporción de subclones definidos de exoma tumoral multirregional (M-seq) detectados por ECLIPSE en función de fracciones de células cancerosas subclonales variables como se indica, las líneas de loess se ajustan a los gráficos, n = 117 muestras preoperatorias positivas para ctDNA. D. Una comparación de los CCF plasmáticos preoperatorios y los CCF promedio en todas las regiones de tejido muestreadas en la cirugía para clones que eran exclusivos de una región de tejido tumoral y para clones que se distribuyeron en más de dos regiones de tejido tumoral. N = 71 pacientes y 684 subclones incluidos. Se utilizó una prueba de Wilcoxon para comparar grupos. E. Una comparación de los CCF plasmáticos preoperatorios y los CCF promedio en todas las regiones de tejido muestreadas en la cirugía para clones que eran exclusivos de una región de tejido tumoral separados entre pequeños (<20 cm3), medianos (>20 cm3 y <100 cm3) y tumores grandes (>100 cm3) medidos en exploraciones PET/CT preoperatorias. N = 71 pacientes y 684 subclones incluidos. Se utilizó una prueba de Wilcoxon para comparar grupos. F. Una comparación de las tasas de detección en plasma preoperatorio para subclones de CCF al 20 % en un rango de niveles clonales de ctDNA divididos según si los subclones se extendieron a través de múltiples regiones de tejido tumoral primario o se limitaron a una sola región de tejido tumoral primario. Se evaluaron 1924 subclones en 197 muestras de plasma preoperatorias. G. Un mapa de clones tumorales con áreas de muestreo de tejido multirregional indicadas y clones que están sobremuestreados o submuestreados resaltados. De hecho, la mayoría de los clones submuestreados no se encuentran en las áreas muestreadas, lo que genera un sesgo hacia el sobremuestreo en los clones que podemos detectar, un efecto que también se denomina "maldición del ganador". H. Una curva ROC que describe la sensibilidad y la especificidad de la detección de mutaciones de ilusión clonal utilizando CCF basados en plasma con intervalos de confianza del 95 % generados utilizando bootstrapping en una validación cruzada de 500 veces (N = 71 tumores).

A. Una descripción general de la evaluabilidad de la estructura clonal en la recaída para pacientes con TRACERx en nuestra cohorte (N = 75 tumores) utilizando ADN libre de células y ECLIPSE o tejido recidivante y WES/PyClone. B. Estado de detección de ctDNA después de la operación de subclones divididos por estado de detección en tejido metastásico. Se excluyeron los subclones no rastreados (aquellos sin ninguna mutación incluidos en los paneles de PSP) (N = 26 tumores). El valor P indica el resultado de la prueba exacta de Fisher. C. Estado clonal (estimado como presente en el 100 % de las células tumorales) frente a estado subclonal (estimado como presente en <100 % de las células) en la recaída de los subclones del tumor primario según si se detectaron en cfDNA y tejido metastásico o solo en cfDNA (N = 26 tumores). El valor P indica el resultado de la prueba exacta de Fisher. D. Clase de diseminación metastásica determinada por tejido y por cfDNA en 22 casos con una biopsia metastásica, una muestra de plasma posoperatoria de alta sensibilidad a subclones y un árbol filogenético construido. E. Gráfica de Kaplan-Meier de supervivencia general que demuestra el tiempo desde el primer momento positivo de EMR hasta la muerte estratificada por clase de diseminación metastásica ECLIPSE en la recaída (monoclonal: azul claro, polifilético policlonal: púrpura y monofilético policlonal: verde). HR: Hazard ratio, IC: intervalo de confianza. 44 pacientes fueron incluidos en este análisis. El valor P indica el resultado de una prueba de rango logarítmico. F. Un modelo multivariable de riesgos proporcionales de Cox para predecir la supervivencia general desde el momento de la primera detección de EMR, incluida la clonalidad de la diseminación metastásica en la recaída, el estadio, el nivel máximo de ctDNA clonal postoperatorio, la entrada promedio del ensayo de ADN, la histología y si la primera muestra de plasma después la cirugía fue positiva para ctDNA, incluidos solo los pacientes con recaída. 44 pacientes fueron incluidos en este análisis. Las barras de error indican intervalos de confianza del 95%. G. La frecuencia de cuellos de botella subclonales a clonales de alta confianza (métodos) en el último momento posible de la muestra de plasma con suficiente nivel de ctDNA clonal (muestras de subclones de alta sensibilidad, N = 44 tumores) y cuáles de estos subclones albergan neoantígenos subclonales (NAG) que por lo tanto, se vuelven clonales en la recaída. H. En los casos de cuello de botella clonal en la recaída, el porcentaje de aumento en el número de mutaciones clonales se muestra como un gráfico de cajas y bigotes con el número absoluto de nuevas mutaciones clonales (N = 18 tumores). I. En los casos de cuello de botella clonal en la recaída, el porcentaje de aumento en el número de NAG clonales se muestra como un gráfico de cajas y bigotes con el número absoluto de NAG clonales nuevos (N = 18 tumores). NAG = Neoantígeno.

Análisis subclonales longitudinales en todos los pacientes con recaídas con árboles filogenéticos disponibles y al menos un punto de tiempo posoperatorio con alta sensibilidad de subclon (n = 44 pacientes).

Tablas complementarias 1–21.

Leyendas de las tablas complementarias 1-21.

Reimpresiones y permisos

Abbosh, C., Frankell, AM, Harrison, T. et al. Seguimiento de la diseminación metastásica temprana del cáncer de pulmón en TRACERx usando ctDNA. Naturaleza 616, 553–562 (2023). https://doi.org/10.1038/s41586-023-05776-4

Descargar cita

Recibido: 06 Abril 2022

Aceptado: 30 de enero de 2023

Publicado: 13 abril 2023

Fecha de emisión: 20 de abril de 2023

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Naturaleza (2023)

Medicina natural (2023)

Naturaleza (2023)

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.

95 mejores relojes para hombres 2023: G

Un alto

Blog

Seguimiento de la diseminación metastásica temprana del cáncer de pulmón en TRACERx usando ctDNA