深度学习模型集成cfDNA甲基化和片段大小概况,用于肺癌诊断
Minjung Kim1, Juntae Park1, Seonghee Oh1
1Genome Research Center, GC Genome, Yongin-si, Korea.
Scientific reports
|June 26, 2024
概括
这项研究确定了无细胞DNA (cfDNA) 甲基化标记物,并使用深度学习模型进行准确的肺癌检测. 开发的方法达到了81.5%的准确性,提供了一个有前途的非侵入性诊断工具.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 生物技术是生物技术.
背景情况:
- 异常的无细胞DNA (cfDNA) 甲基化是癌症检测的关键生物标志物.
- 准确和非侵入性诊断方法对于早期肺癌的识别至关重要.
研究的目的:
- 确定cfDNA甲基化标记物,以区分肺癌患者与健康个体.
- 开发一个深度学习模型,整合cfDNA甲基化和片段大小,用于肺癌诊断.
主要方法:
- 利用癌症基因组图谱和基因表达综合数据库来获取甲基化数据.
- 生成甲基化DNA免疫沉降测序和全基因组酶性甲基-seq (EM-seq) 数据.
- 选择了366个甲基化标记物,并设计了一个有针对性的EM-seq面板进行验证.
主要成果:
- 在区分肺癌患者中获得了81.5%的准确性和0.87的AUC.
- 在连续稀释实验中表现出高灵敏度,以98%的特异性检测出1%的瘤分数.
- 深度学习模型包括cfDNA甲基化和片段大小概况.
结论:
- 成功开发并验证了用于肺癌检测的综合甲基化面板和深度学习模型.
- 这种方法显示出作为肺癌非侵入性诊断工具的巨大潜力.
- 需要在更大的队列中进一步验证以确认临床效用.
