通过深度学习进行无细胞DNA的全面组织解,用于疾病诊断和监测
Shuo Li1, Weihua Zeng1, Xiaohui Ni2
1Department of Pathology and Laboratory Medicine, David Geffen School of Medicine, University of California at Los Angeles, Los Angeles, CA 90095.
概括
我们创建了一个大型人体组织甲基化图谱和一个深度学习模型cfSort,以准确识别无细胞DNA (cfDNA) 的组织来源. 这一突破有助于疾病的检测和治疗监测.
科学领域:
- 基因组学就是基因组学.
- 生物标志物 生物标志物
- 计算生物学 计算生物学
背景情况:
- 无血细胞DNA (cfDNA) 是一个有前途的非侵入性生物标志物,反映了全器官细胞死亡.
- 目前用于量化组织衍生cfDNA的方法受到甲基化数据和无监督方法的限制.
研究的目的:
- 开发人类组织的综合甲基化图谱.
- 创建一个新的,监督的深度学习模型,用于准确的cfDNA组织解密.
主要方法:
- 从29种类型的521个非癌性人体组织样本构建一个高分辨率的甲基化图谱.
- 开发和验证cfSort,这是一个深度学习模型,用于监督cfDNA的组织解卷.
- 系统地识别和验证碎片级,组织特定的甲基化模式.
主要成果:
- 建立了迄今为止最大的人体组织甲基化图谱.
- 与现有方法相比,cfSort在cfDNA组织解方面表现出更高的灵敏度和准确性.
- cfSort的cfDNA分数估计与患者的临床结果相关.
结论:
- 开发的组织甲基化图谱和cfSort显著提高了cfDNA解卷性能.
- 这些进步有助于改进基于cfDNA的疾病检测和纵向治疗监测.
- cfSort模型在疾病诊断和监测治疗副作用方面具有显著的临床实用性.
