基于深度学习的瘤转录组从无细胞DNA进行非侵入性分析,用于精确的瘤学

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:

• 通过液体活检进行循环瘤DNA (ctDNA) 分析是一种微创的癌症诊断工具.
• 目前用于基因表达推断的ctDNA方法缺乏全转录组分辨率,需要专门或深度测序.

研究的目的:

• 引入Triton用于cfDNA片段和核细胞组概况.
• 介绍Proteus,一个深度学习框架,使用标准全基因组测序来预测cfDNA的基因表达.
• 证明这些工具在精密瘤学中的临床实用性.

主要方法:

• 共同开发的Triton用于全面的cfDNA断片和核细胞组概况.
• 利用了Proteus,一个多模式的深度学习框架,具有标准深度全基因组测序数据.
• 使用患者衍生的异种移植和四个患者队列与匹配的瘤RNA-Seq.进行验证的Proteus.

主要成果:

• 蛋白质精确地复制了ctDNA的基因表达特征,与RNA-Seq复制品相似.
• 该模型成功预测了患者队列中的预后标记,表型标记和治疗点.
• 蛋白质精确预测了基因通路丰富分数,证明了对RNA-Seq.的类似效用.

结论:

• 特里顿和蛋白质使得从cfDNA使用标准的全基因组测序实现了全转录组基因表达概况.
• 这些工具为精密瘤学提供了非侵入性解决方案,包括癌症监测和治疗指导.
• 这些发现突显了基于cfDNA的基因表达分析在临床环境中的潜力.