允许从FFPE标本进行全基因组测序分析,用于临床瘤学
Dylan Domenico1,2, Gunes Gundem1,2, Max F Levine1,2
1Department of Pediatrics, Memorial Sloan Kettering Cancer Center, New York, NY, USA.
Nature communications
|November 27, 2025
概括
在FFPE癌症样本中的全基因组测序 (WGS) 文物阻碍了生物标志物的检测. 机器学习工具FFPErase可以过这些文物,提高WGS数据的准确性和临床发现.
科学领域:
- 基因组医学是基因组医学.
- 计算生物学 计算生物学
- 在瘤学瘤学.
背景情况:
- 在临床瘤学中,固定甲嵌入式 (FFPE) 样本是标准的,但在全基因组测序 (WGS) 中引入了重大人工物.
- 这些文物损害了临床相关生物标志物的准确检测,例如同源重组缺陷 (HRD),限制了WGS在癌症诊断中的实用性.
- 标准的生物信息学方法,包括共识调用,部分解决了人工物减少,但对于单核酸变异 (SNV) 和indels.不够.
研究的目的:
- 为了应对FFPE样本中WGS数据质量的挑战.
- 开发和验证一种用于减轻WGS数据中FFPE诱导的工件的计算方法.
- 从FFPE WGS数据中准确量化临床相关的生物标志物,以改善癌症患者的护理.
主要方法:
- 来自56个匹配的新鲜冷 (FF) 和FPE样本的WGS数据的比较分析.
- 达成共识的实施,要求减少结构变体 (SV) 的工件.
- 开发FFPErase,这是一个用于过SNV和indel文物的机器学习框架.
- 与FDA批准的临床报告小组测试对FFPErase的验证.
主要成果:
- 与FF样本相比,FFPE处理导致人工变异呼叫的中位数增加了20倍.
- 共识调用减少了98%的伪造的SV调用,但没有足够缓解SNV/indel伪造.
- FFPErase有效地过了SNV/indel文物,使得临床级变异报告成为可能.
- 与FDA批准的面板测试相比,FFPErase WGS分析显示99%的灵敏度,确定了24%的临床相关发现.
结论:
- 在临床瘤学中,FFPE文物显著损害了WGS数据质量和生物标志物检测.
- FFPErase是一个新的机器学习解决方案,可以有效地从WGS数据中删除FFPE诱导的文物.
- 这一框架促进了准确的生物标志物量化,并增强了WGS在癌症诊断中的临床实用性,改善了患者管理.
