ClairS-TO:一种深度学习方法,用于长期读取的瘤单体体质小变异,称为ClairS-TO
Lei Chen1, Zhenxian Zheng2, Junhao Su1
1School of Computing and Data Science, The University of Hong Kong, Hong Kong, China.
Nature communications
|November 1, 2025
概括
在瘤中精确检测体质变异至关重要. ClairS-TO是一种新的深度学习工具,可从长期读取的测序数据中实现可靠的瘤单体变异调用,改善癌症研究和临床应用.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 准确的体质变体检测对于癌症研究和临床应用至关重要.
- 现有的方法通常需要匹配的正常样本,这些样本并不总是可用.
- 目前只有瘤的呼叫者在与长时间读取的测序数据作斗争.
研究的目的:
- 开发一种基于深度学习的方法,用于长期读取的瘤单体体变异调用.
- 在没有匹配的正常样本的场景中解决现有算法的局限性.
- 为在多种癌症研究环境中发现体质变异提供可靠的工具.
主要方法:
- 开发了ClairS-TO,这是一个使用两个神经网络组合的深度学习模型.
- 在癌症细胞系数据 (COLO829,HCC1395) 上训练有素的网络,用于体变体识别.
- 对长读 (ONT,PacBio) 和短读测序数据的评估性能.
主要成果:
- 与现有方法 (DeepSomatic, smrest) 相比,ClairS-TO在长读数据上表现出更高的性能.
- 克莱尔S-TO的表现也超过了已有的短读呼叫器 (Mutect2,Octopus,Pisces,DeepSomatic).
- 该工具在各种测序覆盖范围,变异的等位素分数和瘤纯度中显示出可靠性.
结论:
- 克莱尔S-TO是一种强大而准确的工具,用于仅针对瘤的体质变异调用,特别是长时间读取数据.
- 该方法有效地区分体质变异与生殖系变异以及没有匹配的正常样本的文物.
- ClairS-TO提供了一个有价值的开源解决方案,用于推进癌症基因组学.


