基于fragmentomic的算法,以计算预测瘤体质,生殖系和克隆性血液形成变异的起源在液体活检中

科学领域:

• 在瘤学瘤学.
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 液体活检 (LBx) 为瘤基因组分析提供了一种非侵入性方法,可以作为组织活检的替代方案.
• 克隆性血液形成 (CH) 变异可以在LBx中检测到,可能会混瘤特异性变异识别并影响治疗决策.

研究的目的:

• 开发和验证一种机器学习算法 (变异起源预测 - VOP),以准确区分瘤体变异与LBx中的CH变异.
• 通过澄清变异起源,提高LBx在癌症治疗决策中的可靠性.

主要方法:

• 测序配对的血和白细胞 (WBC) DNA,以训练和验证VOP算法.
• 在VOP算法中利用碎片学数据来预测LBx检测到的短变体 (SV) 的起源.
• 使用配对的WBCDNA验证了VOP准确性,并通过LBx复制品评估了可再生性.

主要成果:

• VOP算法在区分瘤和CH变体方面表现出高灵敏度和积极的预测值 (分别为93%和91%).
• VOP准确地识别了低变异异基因频率 (VAFs ≤1%) 的变异体,以及像TP53这样的基因,这些基因可以携带CH和瘤体变异体.
• 在对转移性割抵抗性前列腺癌 (mCRPC) 的纵向研究中,VOP准确预测了变体起源,并使瘤和CH变体随着时间的推移能够分别跟踪.

结论:

• 变异起源预测 (VOP) 提供了一个高度准确和可重复的方法来确定LBx中的SVs的起源,而不需要同时进行WBC测序.
• VOP可以最大限度地减少针对性治疗的不适当使用,以及在CH变体患者中相关的毒性.
• 该算法促进了精确的瘤分析和监测,改善了患者管理.