基于深度学习的分类器用于未知初级癌症,使用甲基化定量特征位置
Adam Walker1, Camila S Fang1,2, Chanel Schroff1
1Department of Pathology, NYU Langone Health and NYU Grossman School of Medicine, New York, NY, United States.
Journal of neuropathology and experimental neurology
|November 28, 2024
概括
鉴定未知原发性癌症 (CUP) 的起源是具有挑战性的. 这项研究开发了一种使用器官特异性mQTLs的DNA甲基化分类器,在确定瘤起源方面实现了高精度,以更好地治疗癌症.
科学领域:
- 基因组学就是基因组学.
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
背景情况:
- 未知原发性癌症 (CUP) 占恶性瘤的2-5%,是癌症死亡的常见原因.
- 大脑转移经常作为CUP的初始症状出现,其中20-45%的病例从未获得明确的初级部位诊断.
- 对于瘤分类,DNA甲基化阵列分析是有效的,但开发特定的分类器需要广泛的参考样本,这些样本对于CUP很少.
研究的目的:
- 开发一种新的DNA甲基化分类器,用于识别未知初级癌症 (CUP) 的癌症主要部位.
- 利用器官特定的甲基化定量特征位点 (mQTLs) 来提高分类器的准确性并减少样本要求.
- 帮助病理学家和瘤学家诊断CUP并指导适当的患者治疗.
主要方法:
- 用Illumina EPIC阵列对759个癌症样本进行了全基因组DNA甲基化分析.
- 开发了一个基于深度学习的分类器,利用器官特定的mQTL用于乳腺,肺部,卵巢/妇科,结肠,脏或丸 (BLOCKT) 瘤.
- 用10倍交叉验证来评估分类器的性能.
主要成果:
- 开发的BLOCKT甲基化分类器在10倍验证中实现了93.12%的平均准确率和93.04%的平均F1得分.
- 使用特定器官的mQTL提高了分类器的性能,可能减少了对大型参考样本集的需求.
- 该分类器在识别CUP病例的原始组织方面显示出显著的潜力.
结论:
- 使用mQTLs的基于器官的DNA甲基化分类器可以有效地帮助确定CUP的主要部位.
- 这种工具可以为瘤学家提供关键的诊断见解,使更有针对性和有效的患者治疗策略成为可能.
- 通过甲基化分析来改善CUP的诊断,有可能提高患者的治疗结果.
