多组学数据集：助力肺癌早期精准诊断的新利器 —— 基于肺结节患者配对 CT 影像与血浆游离 DNA 末端基序的研究

《Scientific Data》：A multiomics dataset of paired CT image and plasma cell-free DNA end motif for patients with pulmonary nodules

为解决肺癌早期诊断难题，降低漏诊误诊风险，研究人员开展了肺结节患者配对 CT 影像与血浆游离 DNA（cfDNA）末端基序的多组学研究。构建大规模数据库，建立多组学模型 clinic - RadmC，其预测性能优于单组学及临床模型，为肺癌诊断提供新方法 。

　　肺癌，这一全球范围内的 “健康杀手”，长期霸占着癌症相关死亡原因的榜首。约 75% 的肺癌患者在确诊时已处于 III - IV 期晚期阶段，此时 5 年生存率不到 10% 。与之形成鲜明对比的是，I 期肺癌患者的 5 年生存率却在不断提高。因此，在可治愈阶段识别肺癌患者，成为降低癌症相关死亡率的关键。

过去，低剂量计算机断层扫描（CT）的放射学特征是诊断肺癌最常用的无创检测方法，但它的高假阳性率严重限制了其临床应用。而血浆游离 DNA（cfDNA）分析作为一种有前景的液体活检生物标志物，为癌症检测带来了新希望，其中 cfDNA 的表观基因组修饰，如 5 - 甲基胞嘧啶（5mC）和 5 - 羟甲基胞嘧啶（5hmC）修饰，可反映癌症病理生物学，在肺癌预测模型中已有所应用，cfDNA 的片段组学特征也展现出癌症检测潜力。然而，由于样本量小，cfDNA 分析存在过拟合风险，其基于 5mC 和 5hmC 修饰数据的片段组学特征对肺癌的诊断价值也有待深入探索。

为了解决这些问题，来自同济大学医学院附属上海肺科医院、四川大学华西医院等 5 家机构的研究人员展开了深入研究。他们前瞻性地收集了 2032 名肺结节患者的外周血样本和配对胸部 CT 图像，构建了一个大规模、多机构的多组学数据库，涵盖 CT 影像数据和血浆 cfDNA 在 5mC、5hmC 富集区域的片段组学数据。基于该数据库，研究人员通过人工智能技术整合临床、片段组学和放射组学特征，建立了多组学模型 clinic - RadmC。研究表明，clinic - RadmC 在预测肺结节恶性风险方面优于单组学模型和临床模型，为肺癌诊断提供了更准确、有效且无创的方法，有助于实现肺癌的个体化管理。该研究成果发表在《Scientific Data》上。

在研究过程中，研究人员运用了多种关键技术方法。样本方面，从 5 个不同临床中心招募符合条件的肺结节患者，获取其外周血样本和胸部 CT 图像。血浆样本处理上，对采集的血液进行离心分离血浆，提取 cfDNA 并测序。测序数据处理时，利用多种软件对低质量序列进行过滤、比对、筛选等操作。CT 图像处理方面，从各中心系统获取图像，进行去隐私、格式转换、标注和分割，最后提取放射组学特征 。

研究结果如下：

• 数据收集与处理：收集多中心患者样本，经严格筛选最终确定 1598 例肺癌病例和 434 例良性疾病病例纳入数据集。血浆样本处理后进行 cfDNA 测序，对测序数据严格质量控制，确保数据可靠性。
• 特征识别与提取：成功识别血浆 cfDNA 的 4bp 和 6bp 末端基序（EDM），并计算其频率。从胸部 CT 图像中提取 1316 个经典放射组学特征，包括一阶特征、形状特征和纹理特征等。
• 技术验证：通过 t 分布随机邻域嵌入（t - SNE）分析，发现 5mC 和 5hmC 测序数据无系统偏差和明显批次效应。5mC 和 5hmC 测序数据均显示出高度特异性富集，且样本片段数量充足，可满足进一步分析需求。CT 图像标注和分割经过严格质量控制流程，保证标注准确性。

研究结论表明，该多组学数据集为肺癌检测提供了多维度视角，可作为丰富资源推动肺癌研究进展。其意义在于，为肺癌早期诊断提供了更有力的工具，有助于提高肺癌诊断的准确性和效率，为患者的治疗和预后争取更多机会。同时，多组学模型 clinic - RadmC 的建立，为肺癌个体化管理奠定了基础，有望根据患者的具体特征制定更精准的治疗方案，提高肺癌患者的生存率和生活质量。