一个深度的多实例学习框架改善了微卫星不稳定性检测从瘤下一代测序
John Ziegler1,2, Jaclyn F Hechtman1,3, Satshil Rana1
1Department of Pathology and Laboratory Medicine, Memorial Sloan Kettering Cancer Center, New York, NY, USA.
Nature communications
|January 2, 2025
概括
一个新的深度学习工具,MiMSI,准确地识别癌症基因组中的微卫星不稳定性 (MSI),即使瘤纯度低. 这提高了用于免疫检查点抑制剂治疗选择的生物标志物发现.
科学领域:
- 基因组学就是基因组学.
- 癌症生物学 癌症生物学
- 生物信息学是一种生物信息学.
背景情况:
- 微卫星不稳定性 (MSI) 是一种关键的癌症基因组表型,也是FDA批准的免疫检查点抑制剂治疗的生物标志物.
- 下一代测序 (NGS) 数据可以识别MSI,但临床样本中的低瘤纯度挑战了现有的算法.
研究的目的:
- 开发一种敏感的MSI分类器,克服临床样本中低瘤纯度的局限性.
- 提高MSI检测的准确性,以指导癌症治疗决策.
主要方法:
- 开发了基于深度神经网络的MSI分类器MiMSI,使用多实例学习框架.
- 在包括低瘤纯度MSI病例在内的数据集上训练MiMSI.
- 将MiMSI性能与MSISensor进行比较,使用来自具有挑战性的临床样本和前性队列的有针对性的NGS数据.
主要成果:
- 与MSISensor相比,MiMSI在具有挑战性的情况下显示出更高的灵敏度 (0.895) 和auROC (0.971) (灵敏度:0.67;auROC:0.907).
- 在预期队列中的低纯度样本中,MiMSI显著优于MSISensor (P = 8.244e-07).
结论:
- MiMSI提供了一种强大而敏感的MSI检测方法,特别是在低瘤纯度样本中.
- 这一进步可以增强MSI作为免疫治疗选择生物标志物的临床实用性.


