cfMethylPre:深度转移学习增强了基于循环无细胞DNA甲基化概况的癌症检测
Xuchao Zhang1,2, Jing Chen3, Yongtian Wang1,2
1School of Computer Science, Northwestern Polytechnical University, 1 Dongxiang Rd., Xi'an 710072, Shaanxi, China.
Briefings in bioinformatics
|June 29, 2025
概括
一个新的深度转移学习框架,cfMethylPre,通过循环无细胞DNA (cfDNA) 甲基化增强了癌症检测. 这种创新方法提高了诊断准确度,并为精确瘤学确定了新的乳腺癌基因.
科学领域:
- 生物技术是生物技术.
- 基因组学就是基因组学.
- 计算生物学 计算生物学
背景情况:
- 癌症诊断依赖于早期检测,以改善患者的治疗结果.
- 循环无细胞DNA (cfDNA) 甲基化是一种有前途的非侵入性生物标志物.
- 目前的方法在高维甲基化数据,小样本大小和可解释性方面遇到困难.
研究的目的:
- 开发一种新的深度转移学习框架,cfMethylPre,用于使用cfDNA甲基化准确检测癌症.
- 为了利用大型语言模型嵌入,在甲基化数据中增强特征表示.
- 通过可解释模型分析识别新的癌症相关基因.
主要方法:
- 开发了cfMethylPre,这是一个深度转移学习框架,集成了DNA序列嵌入和甲基化配置文件.
- 在2801个大量DNA甲基化样本上对82种癌症类型和正常对照进行了预训练.
- 微调了用于癌症检测的cfDNA甲基化数据模型.
主要成果:
- 通过0.926的加权马修斯相关系数和0.942.94的加权F1得分,实现了卓越的预测准确性.
- 确定了三种新的乳腺癌基因 (PCDHA10,PRICKLE2,PRTG),它们对细胞增殖和迁移具有抑制作用.
- 证明了模型的可解释性和已识别的基因的生物验证.
结论:
- cfMethylPre为非侵入性癌症诊断提供了一种强大且可解释的工具.
- 该框架增强了cfDNA甲基化分析的特征表示和预测准确性.
- 鉴定出新的新基因为乳腺癌研究和精确瘤学提供了新的目标.


