相关实验视频
Updated: Jun 20, 2026
11:11
Detection of Rare Mutations in CtDNA Using Next Generation Sequencing
Published on: August 24, 2017
16.7K
从DNA片段长度的密度分布来量化循环瘤DNA的深度学习模型
Guanhua Zhu1,2,3,4, Chowdhury Rafeed Rahman1,5, Victor Getty1
1Genome Institute of Singapore (GIS), Agency for Science, Technology and Research (A*STAR), Singapore, Singapore.
Nature biomedical engineering
|March 7, 2025
概括
一个新的深度学习模型,Fragle,使用无细胞DNA片段长度准确量化循环瘤DNA (ctDNA). 这种非侵袭性方法对癌症监测和预测治疗反应有希望.
科学领域:
- 生物技术是生物技术.
- 基因组学就是基因组学.
- 人工智能在医学中的应用
背景情况:
- 循环瘤DNA (ctDNA) 分析为癌症监测提供了一种非侵入性的方法.
- 准确的ctDNA量化对于跟踪癌症进展和治疗疗效至关重要.
研究的目的:
- 开发和验证一种深度学习模型,用于从无细胞DNA片段长度分布中准确量化ctDNA.
- 评估模型的性能与各种癌症类型和测序数据的现有方法相比.
主要方法:
- 一个深度学习模型Fragle被训练在无细胞DNA片段长度的密度分布上.
- 模型验证使用来自多种癌症类型和健康对照的低通量全基因组测序数据进行.
- 还评估了与目标测序数据的兼容性.
主要成果:
- 在独立的队列中,与瘤原始方法相比,Fragle显示出高精度和较低的检测极限.
- 在结直肠癌患者中,Fragle分析的纵向ctDNA动态与治疗反应有很强的相关性.
- 在肺癌患者中,Fragle在瘤原始基因组上改善了风险分层的最小残留疾病预测.
结论:
- Fragle提供了一种多功能,快速和准确的ctDNA量化方法.
- 该模型显示出在非侵入性癌症监测和管理中具有广泛临床实用性的巨大潜力.
- 对cfDNA片段长度应用的深度学习对推进癌症诊断具有前途.
