一个基于深度学习的基因组状态估计框架,用于从低通全基因组测序中检测同源重组缺陷
Yang Liu1, Xiang Bi2, Yang Leng3
1Department of BC Surgery, Harbin Medical University Cancer Hospital, Harbin, China.
Heliyon
|February 26, 2024
概括
基因组状态扫描 (GSscan) 使用低通全基因组测序数据的深度学习来准确检测同源重组缺陷 (HRD) 状态. 这种具有成本效益的方法有助于预测乳腺癌和卵巢癌的治疗反应.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 基因组状况评估对于预测癌症治疗反应至关重要.
- 现有的检测基因组不稳定的方法,例如同源重组缺陷 (HRD),通常需要高成本,高覆盖度的测序.
- 需要可访问和具有成本效益的工具来分析基因组不稳定性从低覆盖数据.
研究的目的:
- 开发和验证基因组状态扫描 (GSscan),一种深度学习框架,用于使用低通全基因组测序 (WGS) 数据检测HRD状态.
- 评估GSscan在乳腺和卵巢癌中的性能,并将其与现有的生物标志物和临床结果进行比较.
- 评估GSscan作为一种广泛适用于疾病诊断和治疗选择的工具的实用性.
主要方法:
- 开发GSscan,一个基于长期短期记忆 (LSTM) 的深度学习框架.
- 利用低通路WGS数据来捕捉基因组不稳定性相关的特征.
- 直接调查HRD状态,独立于其他生物标志物.
主要成果:
- 在模拟乳腺癌低通道WGS数据中,GSscan获得了高精度 (AUC为0.980).
- 与BRCA完整样本相比,GSscan在BRCA缺乏的乳腺癌和卵巢癌样本中发现了显著更高的HRD风险得分.
- 通过GSscan预测的HRD阳性患者在用基化疗治疗时,在TCGA数据集中表现出更长的无进展间隔,优于现有方法.
- GSscan准确地预测HRD状态,输入DNA最小 (1 ng) 和低测序覆盖率 (0.02×).
结论:
- GSscan是一个有效和准确的工具,用于检测HRD状态,使用低通WGS数据.
- 该框架为基因组不稳定性评估提供了一种可靠,可访问和具有成本效益的方法.
- 在乳腺癌和卵巢癌等癌症中,GSscan为疾病诊断和指导治疗选择提供了一个广泛适用的解决方案.
