人工智能分析DNA片段組和蛋白質生物標志物無創檢測卵巢癌

根據4月5日至10日舉行的美國癌癥研究協會(AACR) 2024年年會上發表的一項回顧性研究，結合無細胞DNA (cfDNA)片段模式和蛋白質CA125和HE4水平的基于血液的機器學習分析可以區分卵巢癌患者與健康對照或良性卵巢腫塊患者。

聯邦統計數據將卵巢癌列為美國女性癌癥死亡的第五大常見原因，其五年生存率約為50%。約翰霍普金斯大學金梅爾癌癥中心的博士后Jamie Medina博士解釋說，卵巢癌如此致命的部分原因是，它通常在疾病的早期階段不會引起癥狀。

Jamie Medina說:“缺乏有效的篩查工具，加上卵巢癌的無癥狀發展，在有效治療選擇有限的情況下導致了晚期診斷。”Jamie Medina與約翰霍普金斯大學醫學院的醫學博士/博士生Akshaya Annapragada共同發表了這項研究。“一種具有成本效益的、可獲得的檢測方法可能會改變卵巢癌篩查的臨床范例，并可能挽救生命。”

液體活檢技術，研究人員通過分析患者的血液來尋找腫瘤來源DNA的證據，已經被探索作為一種無創檢測各種癌癥的方法;然而，麥地那解釋說，它們對卵巢癌并不總是有用。DELFI (DNA片段早期攔截評估)采用了一種較新的液體活檢分析方法，稱為片段組學，該方法有望提高此類測試的準確性。該方法是基于檢測循環中cfDNA片段在基因組或片段組中大小和分布的變化。

Medina說:“因為癌細胞快速生長和死亡，與健康細胞相比，癌細胞的基因組混亂，癌癥患者的血液中DNA片段的模式與沒有癌癥的患者不同。通過仔細分析整個人類基因組中的這些片段，我們可以檢測出表明癌癥存在的細微模式。”

Medina, Annapragada及其同事使用DELFI分析了患有和未患卵巢癌的個體的片段組。他們訓練了一種機器學習算法，將片段組數據與兩種已知卵巢癌生物標志物(CA125蛋白和HE4蛋白)的血漿水平相結合。

“卵巢癌是一種令人難以置信的致命疾病，沒有很好的生物標志物用于篩查和早期干預，”該研究的高級作者，腫瘤學教授，約翰霍普金斯金梅爾癌癥中心癌癥遺傳學和表觀遺傳學項目的聯合主任Victor Velculescu說。“我們的目標是通過將全基因組無細胞DNA片段與蛋白質生物標志物相結合，開發一種新的高性能方法來早期檢測卵巢癌，從而克服這一挑戰。”

研究人員分析了134名患有卵巢癌的女性、204名未患癌癥的女性和203名患有良性附件腫塊的女性的血漿。他們利用這些數據建立了兩個模型:一個用于檢驗

卵巢癌篩查在無癥狀人群和其他非侵入性區分良性腫塊癌。

篩查模型的特異性超過99%(幾乎沒有假陽性)，分別識別出69%、76%、85%和100%的I-IV期卵巢癌病例;在所有階段，曲線下面積(一種隨著值接近1而增加的準確度測量)為0.97，遠遠高于當前生物標志物的性能。相比之下，單獨分析CA125水平分別確定了40%、66%、62%和100%的I-IV期病例。

該診斷模型能夠區分卵巢癌與良性腫塊，曲線下面積為0.87。

Velculescu說，該小組打算在更大的群體中驗證他們的模型，以加強在這里觀察到的關聯，但他發現目前的數據令人鼓舞。他說:“這項研究為我們團隊的大量工作做出了貢獻，證明了全基因組無細胞DNA碎片化和機器學習在高性能檢測癌癥方面的力量。我們的研究結果表明，與現有的生物標志物相比，這種聯合方法提高了篩查的性能。”

本研究的局限性包括樣本量相對較小，研究人群主要由美國和歐洲患者組成，以及分析的回顧性性質。

本網站所有轉載文章系出于傳遞更多信息之目的，轉載內容不代表本站立場。不希望被轉載的媒體或個人可與我們聯系，我們將立即進行刪除處理。