癌症基因依赖性分析（DepMap）
DepMap（Cancer Dependency Map）在上千株癌细胞系中做了全基因组 CRISPR 敲除和 RNAi 筛选，记录敲掉每个基因后细胞生长受影响的程度，并配套提供这些细胞系的表达、突变、拷贝数和药物敏感性数据。基因依赖性分析就是利用这些公共数据回答：某个基因是不是癌细胞存活所必需，是所有细胞都需要还是只有特定背景需要，哪些分子特征能预测这种依赖。典型用法包括为新靶点找依赖证据、按突变状态寻找合成致死伙伴、通过共依赖推断基因功能。核心数据是 CRISPR 基因效应矩阵（Chronos 分数）、依赖概率矩阵、细胞系注释表和多组学矩阵，均可从 DepMap 门户按版本下载，无需自己做实验。
什么时候用
- 为一个候选靶点查找癌细胞依赖证据，判断是否值得做功能实验
- 按某突变或缺失分组，寻找只在该背景下必需的合成致死基因
- 比较不同癌种谱系的依赖差异，找谱系特异的必需基因
- 通过共依赖分析推断未知基因属于哪个复合物或通路
- 把依赖分数与表达、拷贝数关联，寻找预测依赖性的生物标志物
- 为实验选择合适的细胞系：挑选依赖强和不依赖的对照细胞株
不适合的情况
- 直接推断患者肿瘤中的依赖：细胞系缺少免疫和基质微环境，培养条件也不同
- 研究非编码区或非人类基因，DepMap 主要针对人类蛋白编码基因
- 分析自己新做的 CRISPR 筛选原始计数，应先走 MAGeCK 等筛选流程
需要准备的数据
- CRISPR 基因效应矩阵
- 细胞系 × 基因的 Chronos 分数矩阵，注意版本号，不同版本的细胞系和数值会更新，全文应固定一个版本
- 依赖概率矩阵
- 每个细胞系中某基因属于真实依赖的概率，比原始分数更便于跨细胞系设阈值
- 细胞系注释表
- 含细胞系 ID、名称、谱系、亚型等信息，用于分组和匹配，各矩阵间以 ACH 开头的细胞系 ID 连接
- 多组学与药敏数据
- 表达、体细胞突变、拷贝数和 PRISM 药敏数据，用于定义分组或做关联；需与基因效应取同一批细胞系
分析步骤
- 1
下载并固定版本
从 DepMap 门户下载同一版本的基因效应、依赖概率、注释和组学文件，记录版本号。按细胞系 ID 取交集，检查样本数，确认目标谱系有足够细胞系可比较。
- 2
判断依赖类型
先看目标基因在所有细胞系中的分数分布：几乎全部接近或低于 -1 属于泛必需基因，作为治疗靶点窗口有限；只在部分细胞系明显降低的属于选择性依赖，更有研究价值。
- 3
定义比较分组
按突变、缺失、表达高低或谱系把细胞系分组。突变分组要区分功能缺失和错义热点，表达分组要说明切分方式。每组细胞系数太少时，结论应视为初步线索。
- 4
差异依赖检验
对所有基因比较两组的基因效应，常用 t 检验或线性模型，并把谱系作为协变量，避免某谱系在一组中富集造成假阳性。对 P 值做多重检验校正，按效应差和 q 值排序。
- 5
共依赖分析
计算目标基因与全基因组其他基因效应分数的相关，同一复合物或线性通路的基因往往高度相关。为减少谱系驱动的相关，可在谱系内计算或先回归掉谱系效应。
- 6
标志物关联
把依赖分数与表达、拷贝数、突变和药敏数据做相关或回归，寻找能预测依赖的特征。例如检查目标基因自身表达是否决定依赖，以排除「不表达所以不依赖」的平凡解释。
- 7
交叉验证结论
用 RNAi 数据或独立的 CRISPR 数据集核对关键结果，两种技术一致的依赖更可信。再结合 TCGA 等患者数据检查对应的分子背景在临床样本中是否常见。
关键参数与决策
依赖判定阈值
基因效应分数以泛必需基因中位数为 -1、非必需基因为 0 进行缩放，常把 -0.5 或 -1 作为依赖阈值；依赖概率常用 0.5 作为切点。应说明所用阈值，并检查结论对阈值是否敏感。
谱系校正
很多依赖是谱系特异的，如造血或神经来源细胞系的特有依赖。分组比较不纳入谱系时，两组谱系组成不同就会产生大量虚假差异，常在模型中加入谱系项或在谱系内分析。
突变分组口径
热点激活突变与截短失活突变功能相反，混在一组会抵消信号。可依据 DepMap 注释中的热点和有害标记，或结合拷贝数确认双等位失活后再分组。
CRISPR 与 RNAi 数据选择
CRISPR 敲除更彻底、脱靶较少，是首选；RNAi 为部分敲低，能反映不完全抑制的效果，更接近小分子抑制，可作为补充验证。两者分数尺度不同，不能直接合并。
多重检验校正
全基因组比较涉及上万个基因，必须做 FDR 校正。细胞系数量少时检验功效有限，可结合效应大小设置双重门槛，而不是只看 P 值。
常见错误
- 把泛必需基因当作好靶点：核糖体、蛋白酶体等基因在所有细胞中都必需，敲除效应强但正常细胞也会受损，治疗窗口很窄。
- 忽视谱系混杂：突变组恰好以某一癌种为主时，找到的「合成致死」可能只是谱系依赖，加谱系协变量后常大幅减少。
- 混用不同版本的文件：细胞系增减和算法更新会改变数值和 ID 对应关系，跨版本合并会产生错位和不可复现的结果。
- 用旧版本未校正的数据解释扩增区基因：CRISPR 在高拷贝扩增区多次切割会造成与基因功能无关的毒性，当前版本已做校正，自己处理原始数据时需注意。
- 目标基因不表达导致「不依赖」：表达量接近零的细胞系自然不受敲除影响，把这种差异当作生物标志物属于循环论证。
- 直接把细胞系依赖外推到患者：体外培养条件、缺乏微环境以及细胞系的选择偏好都会使结果与体内存在差异。
结果怎么看
基因效应分布图
按谱系分组的箱线图或点图，展示目标基因在各细胞系的 Chronos 分数，参考线为 0 和 -1。看分布是整体偏低还是只有少数谱系偏低，后者提示谱系选择性依赖。
差异依赖火山图
横轴为两组基因效应差，纵轴为校正后显著性。左侧显著点是突变组更依赖的基因，即合成致死候选；若显著基因多为某谱系特异依赖，说明谱系校正不足。
共依赖排序表
列出与目标基因效应相关性最高的基因及相关系数和 FDR。前几位若是已知复合物成员，说明结果合理；若都是谱系标志基因，提示相关由谱系驱动。
标志物关联图
依赖分数对表达、拷贝数或药敏的散点图和相关系数。依赖与目标基因自身表达强相关时，要区分「表达越高越依赖」与「不表达所以不依赖」两种情况。
和相近方法怎么选
DepMap 数据挖掘与自己做 CRISPR 筛选
DepMap 提供上千株细胞系的标准化依赖数据，适合泛癌比较和快速找线索；自己的筛选可以使用特定细胞、药物处理或体内模型，回答 DepMap 覆盖不到的条件问题。两者常先后配合使用。
Chronos 基因效应与依赖概率
基因效应是连续分数，适合做相关和组间比较；依赖概率把分数转换成属于真实依赖的可能性，适合跨细胞系统一判断「依赖或不依赖」以及计数。分析时常两者结合。
DepMap 与 TCGA 患者数据
DepMap 回答在细胞中敲掉某基因的后果，属于功能证据；TCGA 提供患者肿瘤的突变、表达和预后，属于相关证据。常见做法是用 DepMap 找依赖，再用 TCGA 确认相应分子背景在患者中的频率和预后意义。
常见问题
DepMap 的基因效应分数怎么理解？
分数经过缩放，0 表示敲除后基本不影响生长，-1 相当于泛必需基因的中位效应，越负依赖越强。经验上常把低于 -0.5 视为明显依赖，但具体阈值应结合分布和研究目的设定。
DepMap 数据从哪里下载？
在 DepMap 门户的数据下载页面按版本获取，常用文件包括 CRISPR 基因效应矩阵、依赖概率、细胞系注释以及表达、突变和拷贝数文件。下载时记录版本号，论文方法部分需注明。
怎么用 DepMap 找合成致死基因？
按目标基因是否失活把细胞系分为两组，比较全基因组每个基因的依赖分数，并校正谱系和多重检验。突变组显著更依赖的基因就是候选，WRN 在微卫星不稳定细胞系中的依赖就是这类分析发现的例子。
CRISPR 和 RNAi 结果不一致该信哪个？
一般以 CRISPR 为主，因为其敲除更完全、脱靶更少。不一致时可检查 RNAi 的敲低效率和脱靶种子序列效应，也可能是部分敲低不足以产生表型。两种技术一致的结果最可靠。
什么是共依赖分析？
计算两个基因的依赖分数在所有细胞系中的相关性。功能上协同的基因，如同一复合物的亚基，敲除效果在细胞系间同步变化，相关性高。可用于推断未知基因的功能，但需排除谱系驱动的相关。
在 Codar 里怎么做
在 Codar 里说明目标基因、关注的突变或表达背景和癌种范围即可。Codar 确认方案后下载对应版本的 DepMap 依赖数据和细胞系信息，判断依赖类型，按分组做差异依赖和合成致死筛选，并进行共依赖和标志物关联分析。交付依赖分布图、火山图、候选基因表、报告和可复现脚本。
用 DepMap 在肺癌细胞系内比较 KEAP1 突变与野生型，找突变组特异依赖的基因，并列出可用于验证的细胞系