人工智能分析DNA片段组和蛋白质生物标志物无创检测卵巢癌

　　

根据4月5日至10日举行的美国癌症研究协会(AACR) 2024年年会上发表的一项回顾性研究，结合无细胞DNA (cfDNA)片段模式和蛋白质CA125和HE4水平的基于血液的机器学习分析可以区分卵巢癌患者与健康对照或良性卵巢肿块患者。

联邦统计数据将卵巢癌列为美国女性癌症死亡的第五大常见原因，其五年生存率约为50%。约翰霍普金斯大学金梅尔癌症中心的博士后Jamie Medina博士解释说，卵巢癌如此致命的部分原因是，它通常在疾病的早期阶段不会引起症状。

Jamie Medina说:“缺乏有效的筛查工具，加上卵巢癌的无症状发展，在有效治疗选择有限的情况下导致了晚期诊断。”Jamie Medina与约翰霍普金斯大学医学院的医学博士/博士生Akshaya Annapragada共同发表了这项研究。“一种具有成本效益的、可获得的检测方法可能会改变卵巢癌筛查的临床范例，并可能挽救生命。”

液体活检技术，研究人员通过分析患者的血液来寻找肿瘤来源DNA的证据，已经被探索作为一种无创检测各种癌症的方法;然而，麦地那解释说，它们对卵巢癌并不总是有用。DELFI (DNA片段早期拦截评估)采用了一种较新的液体活检分析方法，称为片段组学，该方法有望提高此类测试的准确性。该方法是基于检测循环中cfDNA片段在基因组或片段组中大小和分布的变化。

Medina说:“因为癌细胞快速生长和死亡，与健康细胞相比，癌细胞的基因组混乱，癌症患者的血液中DNA片段的模式与没有癌症的患者不同。通过仔细分析整个人类基因组中的这些片段，我们可以检测出表明癌症存在的细微模式。”

Medina, Annapragada及其同事使用DELFI分析了患有和未患卵巢癌的个体的片段组。他们训练了一种机器学习算法，将片段组数据与两种已知卵巢癌生物标志物(CA125蛋白和HE4蛋白)的血浆水平相结合。

“卵巢癌是一种令人难以置信的致命疾病，没有很好的生物标志物用于筛查和早期干预，”该研究的高级作者，肿瘤学教授，约翰霍普金斯金梅尔癌症中心癌症遗传学和表观遗传学项目的联合主任Victor Velculescu说。“我们的目标是通过将全基因组无细胞DNA片段与蛋白质生物标志物相结合，开发一种新的高性能方法来早期检测卵巢癌，从而克服这一挑战。”

研究人员分析了134名患有卵巢癌的女性、204名未患癌症的女性和203名患有良性附件肿块的女性的血浆。他们利用这些数据建立了两个模型:一个用于检验

卵巢癌筛查在无症状人群和其他非侵入性区分良性肿块癌。

筛查模型的特异性超过99%(几乎没有假阳性)，分别识别出69%、76%、85%和100%的I-IV期卵巢癌病例;在所有阶段，曲线下面积(一种随着值接近1而增加的准确度测量)为0.97，远远高于当前生物标志物的性能。相比之下，单独分析CA125水平分别确定了40%、66%、62%和100%的I-IV期病例。

该诊断模型能够区分卵巢癌与良性肿块，曲线下面积为0.87。

Velculescu说，该小组打算在更大的群体中验证他们的模型，以加强在这里观察到的关联，但他发现目前的数据令人鼓舞。他说:“这项研究为我们团队的大量工作做出了贡献，证明了全基因组无细胞DNA碎片化和机器学习在高性能检测癌症方面的力量。我们的研究结果表明，与现有的生物标志物相比，这种联合方法提高了筛查的性能。”

本研究的局限性包括样本量相对较小，研究人群主要由美国和欧洲患者组成，以及分析的回顾性性质。