循环瘤DNA向癌症面板的碎片分析

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 无细胞DNA (cfDNA) 分析,特别是循环瘤DNA (ctDNA),有助于检测癌症生物标志物.
• cfDNA碎片化模式为表观基因组和转录基因组信息提供了洞察力.
• 用于cfDNA分析的全基因组测序通常不具有成本效益,用于生物标志物识别.

研究的目的:

• 开发和验证机器学习模型,使用cfDNA碎片化模式进行癌症检测和分类.
• 为此分析评估使用标准目标cfDNA测序面板的可行性.
• 确定这种方法是否能够以成本效益高的方式识别癌症类型和亚型.

主要方法:

• 机器学习模型从第一个编码外型中训练了cfDNA碎片化模式.
• 使用了标准的向癌症基因cfDNA测序面板.
• 两个独立的队列 (GRAIL和威斯康星大学) 用于培训和验证,根据ctDNA分数分析了子集.

主要成果:

• 威斯康星大学的队列获得了82.1%的培训准确率和86.6%的验证准确率.
• 在GRAIL队列中,训练准确率为80.6%,验证准确率为76.3%.
• 在具有非常低ctDNA分数 (<0.05) 的验证队列中,癌症与非癌症AUC相比达到0.99.

结论:

• 这项研究表明了针对性cfDNA测序面板的新用途,用于分析碎片化模式以分类癌症类型.
• 这种方法显著扩大了现有的临床cfDNA面板的能力.
• 该方法提供了一种具有成本效益的方法,可以通过使用已知的测序技术来提高癌症的检测和分类.