近日，一項刊登在國際雜志Nature Genetics上的研究報告中，來自普林斯頓大學的研究人員通過研究開發出了一種新型的計算方法，其能夠幫助有效追蹤癌細胞如何從體內一個部位擴散到其它部位的，相關研究或為研究人員開發抑制癌癥擴散的新型干預手段提供新的思路和希望。

細胞的遷移就會誘發轉移性疾病的發生，其常常會誘發實體瘤中90%的患者發生死亡（實體瘤即表現為大量細胞生長在諸如乳腺組織、前列腺或結腸等器官中），闡明癌癥的轉移機制或能幫助研究人員開發出新型療法，來阻斷癌癥在機體中的擴散。

研究者Ben Raphael說道，這些轉移性細胞內部是否存在特殊的突變來驅動其轉移呢？這項研究中我們通過研究開發出一種新型算法，其能通過將細胞中的DNA序列信息進行整合，來追蹤癌癥的轉移過程，研究者將這種算法稱之為“MACHINA”（metastatic and clonal history integrative analysis，轉移和克隆歷史整合分析）。

研究者表示，這種算法能幫助研究人員從目前獲得的DNA序列數據信息來推斷機體過去發生的癌癥轉移過程。相比當前僅基于DNA序列的方法而言，這種新技術還能夠繪制出癌癥遷移歷史的清晰圖譜，當前有些研究能夠推斷出癌細胞的復雜遷移模式，但這種模式并不能反映當前的癌癥生物學特定。

文章中，研究人員得到的數據非常復雜，但復雜的數據或許并不需要進行復雜的解釋，通過同時追蹤細胞的突變和移動，MACHINA算法就能夠在某些患者體內發現由少量細胞遷移所誘發的轉移性疾病，比如，在一個乳腺癌患者中，此前研究人員分析發現，患者的轉移性疾病或許源于14個分離的遷移性事件，而這種新型算法卻發現，肺部中單一的繼發性腫瘤會通過僅僅5個細胞的遷移來播種其余的轉移過程。除了乳腺癌數據圖譜以外，研究人員還能應用這種算法來分析多種癌癥患者體內的癌癥轉移模式，比如黑色素瘤、卵巢癌和前列腺癌等。

此外，多項額外的特性還能夠幫助改善MACHINA算法的準確性，這種算法包括了一種不同遺傳特性細胞的整合模型，其是基于一定的實驗性數據所開發的，即腫瘤細胞能以簇的形式來在機體中建立新的位點，同時這種算法還能幫助闡明來自腫瘤細胞和健康細胞中不同DNA數據的不確定性。研究人員表示，這種新方法未來或有望廣泛用于基因組學研究中，同時還能夠闡明癌癥進化的致死性階段。

MACHINA算法的開發或為研究人員深入闡明大量癌癥患者體內的轉移模式提供了新的線索，同時也能夠幫助揭示誘發不同類型癌癥擴散的關鍵突變；下一步研究者Raphael將會加入來自血液中循環的腫瘤DNA、腫瘤細胞以及DNA表觀遺傳學改變的數據，使得這種新方法更加強大，最后研究者表示，一種更好的算法就好比一臺強大的顯微鏡一樣，當你認真觀察微觀世界時就會發現一些重要的細節，當然癌癥轉移的研究亦是如此。