约翰霍普金斯金梅尔癌症中心的研究人员开发了一种机器学习模型，可以过滤掉液体活检样本中的生物噪音，帮助临床医生更好地将治疗方法与患者的肿瘤相匹配。
这项研究发表在5月1日的《临床癌症研究》杂志上，部分资金由美国国立卫生研究院提供。
液体活检分析血液样本中肿瘤的游离DNA （cfDNA）片段，通常用于识别患者实体肿瘤中的突变，使临床医生能够选择靶向突变的治疗方法。然而，液体活检也可能通过与衰老相关的克隆造血过程，在白细胞中积累突变。这些白细胞突变在老年人和以前接受过化疗或放疗的患者中很常见。
“当你做液体活检时，你得到报告，你看到突变，你不知道突变是来自肿瘤还是白细胞。如果你想选择一种靶向突变的药物来治疗癌症，你要确保你针对的是癌症中的突变，而不是白细胞中的突变。”Jenna Canzoniero博士说。
为了解决这个问题，Canzoniero和她在分子肿瘤学实验室的同事们开发了一种名为plasmaCHORD的机器学习模型，该模型利用DNA片段的特征来估计液体活检中发现的突变是来自肿瘤还是白细胞。来自肿瘤的DNA片段和来自白细胞的DNA片段以不同的方式被“切碎”，Canzoniero说，创造了不同的“cfDNA片段谱”。该模型还使用了患者的年龄、基因类型和突变等因素。
研究小组对225名乳腺癌、结肠直肠癌、食管癌、卵巢癌或非小细胞肺癌患者的液体活检样本进行了模型训练。他们通过对患者的肿瘤细胞和白细胞进行匹配的基因测序来确定突变的真正来源，从而验证了该模型的准确性。接下来，他们在另一个机构的114名乳腺癌、前列腺癌或非小细胞肺癌患者中测试了plasmaCHORD，该机构使用了不同类型的液体活检测序平台，发现该模型具有相似的识别突变真正来源的能力。特别是，在该队列中，plasmaCHORD将一组临床相关突变正确区分肿瘤和白细胞突变的能力从大约50%提高到83%。
最后，他们通过显示plasmaCHORD对突变起源的预测帮助临床医生避免为约翰霍普金斯分子肿瘤委员会评估的患者选择可能无效的治疗方法，提供了概念证明，这些信息在临床上是有用的。
“在肿瘤初始液体活检中检测到的大约三分之一的突变可能来自白细胞，我们将靶向治疗与每个患者的基因组特征相匹配的能力取决于我们区分肿瘤突变和生物噪声的能力，”资深研究作者、医学博士、肿瘤Alex Grass教授、约翰霍普金斯大学医学院约翰霍普金斯分子肿瘤委员会主席Valsamo Anagnostou说。“应用于标准液体活检检查的人工智能模型既具有临床价值，又可快速扩展。”
Canzoniero说：“如果你不确定，PlasmaCHORD可以用于研究和潜在的临床目的，以确定液体活检中突变的起源。”“我们正在考虑未来的版本，希望能有更好的性能。”
参考文献
plasmaCHORD: A Machine Learning Approach to Distinguish Clonal Hematopoiesis–Derived Variants in Liquid Biopsies from Patients with Solid Tumors
