通过整合多种碎片化模式,系统地评估无细胞DNA碎片化模式,用于癌症诊断和增强癌症检测
Yuying Hou1, Xiang-Yu Meng1,2,3, Xionghui Zhou1,4
1Hubei Key Laboratory of Agricultural Bioinformatics, College of Informatics, Huazhong Agricultural University, Wuhan, 430070, China.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|June 17, 2024
概括
在开放的染色体区域分析无细胞DNA (cfDNA) 碎片化模式,为早期癌症检测提供了有希望的机会. 一个整体机器学习模型集成多个碎片的特点显著提高了诊断准确性和组织起源的确定.
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.
- 在瘤学瘤学.
背景情况:
- 无细胞DNA (cfDNA) 碎片化模式对于早期癌症检测至关重要.
- 现有的cfDNA碎片化的定义缺乏标准化,阻碍了研究和临床应用.
- 需要对碎片化模式进行系统的比较,特别是在开放的染色体区域内.
研究的目的:
- 为了系统地比较癌症检测的开放色素区域内的10个cfDNA碎片化模式.
- 用机器学习评估这些模式的诊断价值.
- 开发一个改进的分类器,以提高癌症检测和组织起源的确定.
主要方法:
- 收集了1382个来自8种癌症类型的血cfDNA测序样本.
- 在开放的染色体区域内检查了10个cfDNA碎片化模式.
- 采用机器学习技术,包括集体分类器,用于性能评估.
主要成果:
- 所有10种碎片化模式都显示出分类能力,终端模式在交叉验证中最有效.
- 结合碎片长度和覆盖范围的模式显示出强大的预测能力.
- 一个整体分类器整合所有模式显著改善了癌症检测和组织起源预测.
- 生物信息学分析确定了关键的调节区域,这些区域参与了癌症的发病.
结论:
- 在开放的染色体区域内cfDNA碎片化模式具有早期癌症检测的重大潜力.
- 整体机器学习方法集成多个碎片化特征,提高诊断准确性.
- 这种综合方法有助于癌症的检测和确定起源组织,这对理解癌症病原有意义.
