一个基于cfDNA甲基化的原生组织分类器,用于未知初级原发性癌症
Alicia-Marie Conway1,2, Simon P Pearce3, Alexandra Clipson1
1Nucleic Acid Biomarker Team, Cancer Research UK National Biomarker Centre, The University of Manchester, Manchester, UK.
Nature communications
|April 17, 2024
概括
一个新的机器学习工具,CUPiD,从无细胞DNA (cfDNA) 甲基化模式准确预测癌症组织起源 (TOO). 这一突破有助于诊断未知原发性癌症 (CUP),改善患者的治疗结果.
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:
- 未知初级癌症 (CUP) 由于瘤异质性和有限的治疗疗效,存在重大诊断和治疗挑战.
- 组织起源 (TOO) 的分子预测可以改进CUP诊断,而液体活检与组织采集相比,提供了一种不那么侵入性的方法.
- 之前使用液体活检的TOO预测方法尚未在CUP队列中被探索.
研究的目的:
- 开发和验证一种机器学习分类器 (CUPiD),用于使用无细胞DNA (cfDNA) 甲基化预测未知初级癌症 (CUP) 的组织起源 (TOO).
- 评估CUPiD在各种癌症类型和CUP队列中的准确性和临床实用性.
主要方法:
- 开发CUPiD,一种机器学习分类器,利用cfDNA甲基化模式在29个瘤类中进行TOO预测.
- 在143个来自13种癌症类型和27种非癌症对照患者的cfDNA样本上验证了CUPiD.
- 在41名被诊断患有CUP的患者的独立队列上测试CUPiD.
主要成果:
- 在验证队列中,CUPiD的总体灵敏度为84.6%,TOO准确度为96.8%.
- 在CUP队列中,CUPiD在78.0%的病例中进行了预测 (32/41).
- 88.5%的CUPiD预测在临床上与随后或怀疑的原发性瘤诊断一致 (23/26名患者).
结论:
- CUPiD在预测cfDNA甲基化起源组织方面表现出高准确性,为CUP诊断提供了一个有前途的工具.
- CUPiD与cfDNA突变数据的整合显示了在难以治疗的CUP病例中重新分类诊断和指导治疗策略的潜力.
- 这种方法减轻了组织获取障碍,并通过非侵入性液体活检推进了CUP的分子分析.
