在第一篇标题为“Charting a Course to a Cure”的论文中，Cell期刊副主编Robert Kruger指出Cell期刊、Cell Reports期刊、Cancer Cell期刊、Cell Systems期刊和Immunity期刊近期发表了一系列关于泛癌图谱的论文。泛癌图谱是TCGA联盟十多年研究工作的结晶。通过分析来自33种最常见癌症形式的11000多种肿瘤样品，它对肿瘤在人体中如何、何处和为何产生提供极为全面而又深入的理解。
图片来自CC0 Public Domain。
在第二篇标题为“The Cancer Genome Atlas: Creating Lasting Value beyond Its Data”的论文中，Carolyn Hutter和Jean Claude Zenklusen指出TCGA联盟发布了泛癌图谱，这种泛癌图谱通过分析在十多年的TCGA项目开展期间产生的数据，研究了癌症生物学的不同方面。
在第三篇标题为“Pathogenic Germline Variants in 10,389 Adult Cancers”的论文中，美国华盛顿大学圣路易斯分校癌症遗传学家Li Ding和她的同事们发现850多种罕见的遗传变化---生殖细胞变异（germline variant）---是可遗传的，存在于患者体内的每个细胞中，能够促进癌症进展，并且在多种癌症类型中是比较常见的。这些发现有助于解释一些癌症遗传性，并提示着给肿瘤组织旁边的健康组织进行测序对优化治疗是非常重要的。
关注癌症中生殖细胞突变的影响仅仅是TCGA的泛癌症图谱（PanCancer Atlas）项目的一部分，Ding和她的同事们在同期Cell期刊上发表的第四篇标题为“Perspective on Oncogenic Processes at the End of the Beginning of Cancer Genomics”的论文中也作出这一结论。TCGA的泛癌症图谱项目还包括对免疫系统和癌症相互作用以及癌症基因组学、表观基因组学和基因表达之间的关联性的研究。
在同期Cell期刊上发表的第五篇标题为“An Integrated TCGA Pan-Cancer Clinical Data Resource to Drive High-Quality Survival Outcome Analytics”的论文中，Jianfang Liu等人为11160名患上33多种不同癌症类型的患者构建出一种标准化的TCGA泛癌症临床数据库（TCGA Pan-Cancer Clinical Data Resource, TCGA-CDR），包括4大临床结果终点方面的数据。除了详细描述在整合所获得的临床数据期间面临的主要挑战和统计学限制之外，这些研究人员还为每种癌症类型提出临床结果终点数据使用建议。
在同期Cell期刊上发表的第六篇标题为“Comprehensive Characterization of Cancer Driver Genes and Mutations”的论文中，Matthew H.Bailey等人利用PanSoftware程序分析泛癌数据，鉴定出299个癌症驱动基因，而且基于结构和序列的分析鉴定出3400种癌症驱动基因突变，此外57%的肿瘤携带着潜在可药物靶向的癌变事件。
在同期Cell期刊上发表的第七篇标题为“Cell-of-Origin Patterns Dominate the Molecular Classification of 10,000 Tumors from 33 Types of Cancer”的论文中，Katherine A. Hoadley等人对TCGA中的所有肿瘤进行全面综合的分子分析。这些研究人员利用关于染色体臂异倍性、DNA高度甲基化、mRNA、miRNA表达水平和反向蛋白芯片方面的数据进行分子聚类，结果发现除了染色体臂异倍性之外，其他方面的分子聚类主要是由组织类型决定的。
在同期Cell期刊上发表的第八篇标题为“Oncogenic Signaling Pathways in TheCancer Genome Atlas”的论文中，Francisco Sanchez-Vega等人利用TCGA联盟概括的9125种肿瘤样品中的突变、拷贝数变化、mRNA表达、基因融合和DNA甲基化数据，分析了10种经典通路---细胞周期、Hippo、Myc、Notch、Nrf2、PI-3激酶/Akt、RTK-RAS、TGFβ、p53和β-catenin/Wnt---中的体细胞变化模式。这些研究人员绘制出33种癌症类型的突变变化模式，将这些癌症类型分为64种亚型，并鉴定出突变变化的共现性（co-occurrence）和互斥性（mutual exclusivity）模式。
在同期Cell期刊上发表的第九篇标题为“Oncogenic Signaling Pathways in TheCancer Genome Atlas”的论文中，Tathiane M. Malta等人利用一种新的1类逻辑回归（one-class logistic regression, OCLR）机器学习算法提取出非转化多能性干细胞和它们发生分化的子细胞中的转录组和表观遗传特征集。利用这种机器学习算法，这些研究人员能够鉴定出之前未被发现的与去分化致癌状态相关的生物学机制。
在同期Cell期刊上发表的第十篇标题为“A Pan-Cancer Analysis of EnhancerExpression in Nearly 9000 Patient Samples”的论文中，Han Chen等人对来自33种癌症类型的将近9000种肿瘤样品的增强子表达进行系统性分析。这些研究人员发现全局增强子激活与染色体异倍性而不与突变存在着正关联性，而且增强子是包括PD-L1在内的治疗靶标的关键调节物。（生物谷 Bioon.com）
2.Carolyn Hutter, Jean Claude Zenklusen. The Cancer Genome Atlas: Creating Lasting Value beyond Its Data. Cell, 5 April 2018, 173(2):283-285, doi:10.1016/j.cell.2018.02.042 https://www.cell.com/cell/fullte ... 4X%3Fshowall%3Dtrue
3.Kuan-lin Huang, R. Jay Mashl, Yige Wu et al. Pathogenic germline variants in 10,389 adult cancers. Cell, 5 April 2018, 173(2):355-370, doi:10.1016/j.cell.2018.02.048 https://www.cell.com/cell/fullte ... 05%3Fshowall%3Dtrue
4.Li Ding, Matthew H. Bailey, Eduard Porta-Pardo et al. Perspective on Oncogenic Processes at the End of the Beginning of Cancer Genomics. Cell, 5 April 2018, 173(2):305-320, doi:10.1016/j.cell.2018.02.033 https://www.cell.com/cell/fullte ... 31%3Fshowall%3Dtrue
5.Jianfang Liu, Tara Lichtenberg, Katherine A.Hoadley at el. An Integrated TCGA Pan-Cancer Clinical Data Resource to Drive High-Quality Survival Outcome Analytics. Cell, 5 April 2018, 173(2):400-416, doi:10.1016/j.cell.2018.02.052
6.Matthew H.Bailey, Collin Tokheim, Eduard Porta-Pardo et al. Comprehensive Characterization of Cancer Driver Genes and Mutations. Cell, 5 April 2018, 173(2):371-385, doi:10.1016/j.cell.2018.02.060
7.Katherine A. Hoadley, Christina Yau, Toshinori Hinoue et al. Cell-of-Origin Patterns Dominate the Molecular Classification of 10,000 Tumors from 33 Types of Cancer. Cell, 5 April 2018, 173(2):291-304, doi:10.1016/j.cell.2018.02.022
8.Francisco Sanchez-Vega, Marco Mina, Joshua Armenia et al. Oncogenic Signaling Pathways in TheCancer Genome Atlas. Cell, 5 April 2018, 173(2): 321–337, doi:10.1016/j.cell.2018.02.035
9.Tathiane M. Malta, Artem Sokolov, Andrew J. Gentles et al. Machine Learning Identifies Stemness Features Associated with Oncogenic Dedifferentiation. Cell, 5 April 2018, 173(2): 321–337, doi:10.1016/j.cell.2018.02.034
10.Han Chen, Chunyan Li, Xinxin Peng et al. A Pan-Cancer Analysis of EnhancerExpression in Nearly 9000 Patient Samples. Cell, 5 April 2018, 173(2):386-399, doi:10.1016/j.cell.2018.02.027
