基于瘤负担的超敏感等离子体监测,使用机器学习引导的信号丰富

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:

• 循环瘤DNA (ctDNA) 在固体瘤中显示出对最小残留疾病 (MRD) 评估和治疗响应监测的希望.
• 在低瘤分数 (TF) 环境中,由于片段稀疏性,检测ctDNA具有挑战性.
• 以前的方法使用了血全基因组测序 (WGS) 来实现全基因组突变整合,以增强ctDNA检测.

研究的目的:

• 介绍MRD-EDGE,一个机器学习引导的平台,用于增强ctDNA单核酸变体 (SNV) 和拷贝数变体 (CNV) 检测.
• 在WGS中改善ctDNA分析的信号丰富.
• 提高对MRD检测和治疗反应监测的敏感性.

主要方法:

• 开发了MRD-EDGE^SNV,利用深度学习和ctDNA特定的特征空间进行WGS信号对噪声丰富.
• 开发了MRD-EDGE^CNV,以减少通过WGS检测超敏感的CNV检测所需的状体大小.
• 应用该平台来识别手术后的MRD,跟踪新辅助免疫疗法期间的TF变化,并检测结直肠腺瘤中的ctDNA.

主要成果:

• 与之前的WGS错误抑制技术相比,MRD-EDGE^SNV实现了大约300倍的SNV信号对噪声增强.
• MRD-EDGE^CNV从1Gb降低了超敏感CNV检测所需的体积大小,从1Gb降低到200Mb,扩大了其应用范围.
• 已证明成功识别MRD,在肺癌免疫治疗中追踪TF,并在癌前病变中脱落ctDNA.

结论:

• 通过机器学习引导的WGS,MRD-EDGE显著提高了ctDNA检测灵敏度和特异性.
• 该平台能够在各种固体瘤中进行超敏感的MRD检测和非瘤知情的疾病监测.
• 通过提供更准确和及时的临床见解,MRD-EDGE有可能彻底改变癌症护理.