PNAS | 基于深度学习鉴定cfDNA甲基化的组织特异性图谱及定量方法

组织中死亡的细胞会将其DNA作为细胞游离DNA（cfDNA）释放到血液中。因此，解析cfDNA的组织起源，在辅助疾病诊断、预后和治疗监测方面具有巨大的临床潜力。cfDNA检测提供了一种非侵入性的、全面的身体所有组织的健康状况检测的方法。由于DNA甲基化的组织特异性，cfDNA可以根据其甲基化模式追溯到其起源的组织，一些研究提出了基于甲基化的组织反褶积方法来估计组织特异性cfDNA的比例。cfDNA在疾病检测和监测方面有着非常大的潜力，然而，准确量化组织衍生的cfDNA已经被证明利用当前的方法或许具有一定的挑战性，其中就包括确定这些测试中所检测到的cfDNA片段的组织来源等。

近日，加州大学洛杉矶分校研究团队与斯坦福大学团队、EarlyDiagnosticInc公司团队等合作在PNAS发表了题为“Comprehensive tissue deconvolution of cell-free DNA by deep learning for disease diagnosis and monitoring”的文章。研究中准确鉴定出每个组织特有的DNA甲基化模式，有助于识别与检测发现的cfDNA改变相关的特定组织或器官，同时这也是进行疾病准确诊断和监测所面临的一个关键挑战。

研究摘要

英文标题：Comprehensive tissue deconvolution of cell-free DNA by deep learning for disease diagnosis and monitoring

中文标题：基于深度学习cfDNA 的全面组织反褶积对疾病进行诊断和监测

发表时间：2023年07月11日

发表期刊：PNAS（IF = 11.1 / SCI 一区）

技术方案：RRBS、WGBS、ChIP-seq、cfMethyl-Seq等

样本类型：癌组织+癌旁组织+血浆cfDNA

研究内容

（1）构建全面的组织甲基化图谱

研究人员纳入了来自基因型-组织表达（GTEx）项目的521个非癌症个体组织样本的甲基化数据（RRBS），涵盖了29种主要的人体组织。基于这些RRBS数据，研究人员在DNA片段水平上系统地发现了组织特异性甲基化标记物。

图1 筛选组织特异性甲基化的三种策略
  （2）cfSort模型介绍 研究人员使用521个组织样本的RRBS数据，以预定义的组织组成和不同覆盖深度生成cfDNA甲基化数据集作为训练、验证和测试数据。研究共生成295484个不同的训练样本和数千个验证和测试样本，满足DNN训练和评估的要求。此外，在数据生成中，研究人员充分利用不同组织类型、不同样本、不同组织组成的组合，探索数据中可能存在的噪声和偏差。因此，cfSort将从这些数据中学习稳健的组织特异性。
图2 cfSort分析流程图

（3）cfSort模型的性能评估 研究团队在一个独立的测试集上评估了cfSort的性能，将其性能与两种现有的组织反褶积方法进行了比较：非负最小二乘法（NNLS）和CelFiE。使用平均绝对误差、估计的组织分数与真相之间的相关性来评估方法的准确性。cfSort在所有指标上都优于NNLS和CelFiE，表明cfSort在估算组织成分方面的准确性高于其他两种方法。反褶积方法需要有较高的检测限，以低比例检测组织衍生的cfDNA。cfSort能够以0.1%的组织分数检测组织衍生的cfDNA，而NNLS以5%，CelFiE以0.5%检测组织衍生的cfDNA。以上结果表明cfSort比两种竞争方法具有更好的检测下限。
图3 cfSort分析性能的评估与比较    

研究小结

 

综上所述，该研究报告了一个全面的高分辨率组织甲基化图谱和基于cfDNA的监督型组织反卷积方法—cfSort，其能够对cfDNA中的组织部分进行敏感而稳健的定量。研究人员还通过多个独立的数据集验证了组织标记图谱和cfSort的性能，表明这些标记与组织发育、组织分化和组织特异性转录相关。组织甲基化图谱和cfSort增强了cfDNA中组织去卷积的性能，从而促进了基于cfDNA的疾病检测和纵向治疗监测。

参考文献：

Li S, et al., Comprehensive tissue deconvolution of cell-free DNA by deep learning for disease diagnosis and monitoring. Proc Natl Acad Sci U S A. 2023 Jul 11;120(28):e2305236120.

原文链接: 

https://pubmed.ncbi.nlm.nih.gov/37399400/