《npj Precision Oncology》：Machine learning uncovers previously undetectable genetic deletions in cancer panel sequencing
编辑推荐：
被漏检的遗传缺失可能妨碍癌症患者接受有效靶向治疗。标准流程，例如 TSO500，使用 bin 计数平均进行拷贝数变异（copy number variation, CNV）检测，但常忽略局灶性事件。为解决此问题，研究人员在 MASTERsg 精准肿瘤学项目中开
被漏检的遗传缺失可能妨碍癌症患者接受有效靶向治疗。标准流程，例如 TSO500，使用 bin 计数平均进行拷贝数变异（copy number variation, CNV）检测，但常忽略局灶性事件。为解决此问题，研究人员在 MASTERsg 精准肿瘤学项目中开发了一种用于缺失检测和合子性评估的机器学习（machine learning, ML）流程。研究人员聚焦于肿瘤抑制基因 PTEN，其丢失赋予对 mTOR/Akt 抑制的敏感性。在 PTEN 缺失和野生型（wild-type, WT）肿瘤样本上训练的一种极端梯度提升（Extreme Gradient Boosting）模型识别出 TSO500 流程和 CNVkit 漏检的局灶性缺失，这些缺失与免疫组化（immunohistochemistry, IHC）显示的 PTEN 蛋白丢失一致。重要的是，该模型在 204 例经 TSO500 分类为 PTEN 野生型的已分析样本中检测到 33 例 PTEN 缺失；75%（15/20）可染色病例显示 PTEN 蛋白表达缺失或降低。这些发现表明 ML 增强 panel 测序的潜力，可发现既定诊断方法漏检的治疗相关改变。
研究背景：分子指导治疗在晚期癌症中日益重要，尤其标准方案耗尽时。Panel 测序（panel sequencing，靶向面板测序）常用于具有已知反复驱动改变的癌症，如黑色素瘤、非小细胞肺癌、结直肠癌、乳腺癌、卵巢癌或前列腺癌。罕见或常见但无已知驱动改变患者常被排除探索性分子诊断。德国德累斯顿 NCT/UCC 的 MASTERsg（Molecularly Aided Stratification for Tumor Eradication Program）前瞻性使用 TruSight Oncology 500 DNA（TSO500）assay，覆盖 523 个基因的单核苷酸变异（SNV）和小插入/缺失（indel），并评估 101 个肿瘤发生相关基因胚系改变。TSO500 通过将 CNV caller 原始数据分为 50–250 bp 的基因特异性 bins 并平均归一化 read counts 来估计基因级拷贝数，但可能掩盖未达阈值、跨区域平均被稀释的基因内局灶性扩增或缺失。未检测的局灶性缺失可导致可靶向改变遗漏，使治疗选择有限患者失去有效治疗。尽管多种计算工具用于 CNV 检测，尚无基于 TSO500 输出的已发表独立缺失 calling 算法。因此研究人员增强 TSO500 CNV calling，纳入局灶性缺失，以 PTEN（Phosphatase and Tensin homolog）为概念验证。PTEN 是肿瘤抑制基因，其丢失与 mTOR/Akt 抑制剂敏感性、PARP 抑制及免疫检查点阻断耐药相关。ML 已显示增强癌症诊断和个体化治疗潜力，研究人员采用梯度提升模型开发两个模型，基于 TSO500 中间数据和样本质量信息预测 PTEN 缺失，目标单患者水平报告用于分子肿瘤委员会，并寻找可推广策略。
关键技术方法：样本来自德国德累斯顿 NCT/UCC 的 MASTERsg 精准肿瘤学项目，包括训练/测试队列 59 例、验证 A 10 例、B 33 例、C 31 例，以及德国慕尼黑工业大学病理研究所外部验证 61 例。使用 TSO500 DNA assay 数据，流程版本 v2.2.0.2 和 v2.6.0.2；从 CNV caller 原始 bin-level 数据构建特征，包括归一化 bin counts、倍数变化（fold-change, FC）、肿瘤细胞含量（tumor cell content, TCC）、对数多项式拟合及一阶导数。训练两个极端梯度提升（Extreme Gradient Boosting, XGBoost）分类器：Model 1 二分类 PTEN 缺失 vs 野生型（wild-type, WT）；Model 2 三分类合子性（0 纯合缺失，1 杂合缺失，2 WT）。采用交叉验证、贝叶斯超参优化、SHAP 可解释性，以免疫组化（immunohistochemistry, IHC）作正交验证，CNVkit 作基准，并生成 in silico 缺失样本。
结果：1. 删除检测的基准性能：研究人员回顾性评估 TSO500 v2.2.0.2 输出并视觉检查归一化 bin-level 覆盖，构建 59 例、15 种实体瘤训练/测试队列：29 例 TSO500 分类 PTEN 缺失（FC<0.65）、5 例 TSO500 漏检但视觉 bin plot 发现的局灶性缺失、25 例 PTEN WT 对照。IHC H-score（免疫组化半定量评分）阈值：0–25 蛋白丢失，>25 至 <90 不确定，90–300 保留。WT 中位 FC 0.96、中位 H-score 165；2/25 杂合缺失，1 例不一致保留。TSO500 缺失样本中位 FC 0.56、中位 H-score 20，14 例纯合、15 例杂合；1 例因测序与染色不一致排除训练。5 例漏检局灶缺失中位 FC 0.77，4 例 H-score 0，1 例 H-score 35。In silico 显示 TSO500 至少需 20/39 个 PTEN bins 减少才检出缺失。
2. 使用机器学习方法进行 PTEN 缺失识别的开发与性能测试：Model 1 测试集平均精度（average precision, AP）0.96、F1 0.96，阈值 0.68，正确识别 12 个 PTEN 缺失，包括 5 个漏检局灶缺失，特异性 0.75。Model 2 多类 AP：纯合 0.93、杂合 0.90、WT 0.64；正确分类 4/5 纯合、6/8 杂合、3/3 WT，未混淆 0 与 2。合成数据中 Model 1 检测限 10 bins、Model 2 5 bins，优于 TSO500 的 20 bins。
3. 验证与性能比较：验证队列 A 为 10 例前瞻性 PTEN 缺失样本；B+C 中 B 为 204 例 MASTERsg 样本中由 Model 1 识别、TSO500 未分类缺失的 33 例，C 为 31 例随机实体匹配且三种方法均 PTEN-WT 对照。B 中 20 例可染色，12 例蛋白丢失与 Model 1 预测一致（H-score 0–20），3 例不确定（30–40），5 例保留（95–270）；排除患者73、75、99 因致病 PTEN 突变，患者78 因 QC 失败。C 中位 FC 0.99，17 例染色中位 H-score 80；患者108 不一致；患者91 原发 WT 但另肝转移 Model 1 发现局灶缺失。与视觉 bin plot 分析相比，Model 1/2 F1 低（0.25/0.32），与 IHC 相比 F1 为 0.76/0.80。验证 A 中 Model 1 敏感性 0.88、F1 0.93，优于 TSO500（F1 0.67）和 CNVkit（F1 0.77）；Model 2 敏感性 0.75、F1 0.86。B+C 中 Model 1 敏感性 0.92、特异性 0.54、F1 0.76、马修斯相关系数（Matthew correlation coefficient, MCC）0.49；Model 2 敏感性 0.83、特异性 0.77、F1 0.80、MCC 0.60；TSO500 敏感性 0.00、特异性 1.00；CNVkit 敏感性 0.42、特异性 0.69。因 B 基于 Model 1 选择，比较有偏倚。改用 v2.6.0.2 输入时，A 不变，B+C 的 Model 1 F1 降至 0.67、Model 2 0.72，但仍检测所有局灶缺失。外部验证 61 例随机样本、24 种实体瘤，50 例 IHC，排除 6 例不确定，44 例评估；v2.6.0.2 下 Model 1 F1 0.75、Model 2 0.81，较 B+C 同版本特异性增加（0.92、0.96），敏感性 0.67、0.72；TSO500 F1 0.71、敏感性 0.56、特异性 1.00。SHAP 分析显示 Model 1 主要由原始 bin counts 驱动，6 个高影响 bins；Model 2 由衍生特征和 12 个 bins 驱动，部分与外显子或增强子区重叠。
讨论部分：研究人员指出，分子信息治疗重要性增加，panel 测序常用，CNV 如 ERBB 或 MET 扩增、CDKN2A/B 和 PTEN 缺失是靶向治疗生物标志物。Conroy 等发现 FC<0.7 的非局灶 PTEN 丢失阳性预测值 100%，Giacò 等确认漏检局灶缺失风险，强化扩展 TSO500 CNV calling 需求。通过可视化原始数据检测到相关局灶缺失，并用 ML 自动化。Model 1 高敏感，发现 33 例额外潜在 PTEN 缺失，其中 18 例未由 CNVkit 报告；75%（15/20）可染色病例蛋白缺失或显著降低。但 B 富集 Model 1 预测，不能估计阳性预测值或假阳性负担，比较有偏；外部验证支持技术稳健和跨机构可转移性，但需更大前瞻队列确定真实性能和临床效用。Model 2 三分类较二分类难，原文认为可能因数据集小和分类复杂性；其预测与 IHC 一致，临床若用 Model 2 做缺失呼叫并仅对阳性病例 IHC 验证，将减少验证工作，尽管敏感性略降。因假阳性略增，两个模型应主要作为筛查工具而非独立确诊 PTEN 状态的方法。SHAP 高影响 bins 部分与外显子或增强子重叠，但数据集小，需谨慎和更大研究。训练队列小、超参优化可能过拟合，通过强正则化、子采样、L1/L2、早停缓解；跨未见队列一致性能初步支持泛化，但需更大队列和阈值校准，管道变化累积时可能需重训练。模型增强基因组 PTEN 缺失检测不必然反映蛋白丢失，因 CNV 只是 PTEN 失活机制之一，还受点突变、启动子高甲基化、miRNA 沉默、转录后/翻译后调控影响；多组学可解决但受限。不能完全排除亚克隆 PTEN 缺失，bulk 测序平均信号复杂。IHC 有局限，包括单基因、抗体可及性、间接反映基因组改变；WT 队列 C 中 1 例阴性、16 例中 7 例不确定。in silico 检测限应视为技术比较估计而非临床绝对检测限。结论翻译：总之，研究人员的 ML 模型显著提高了 PTEN 缺失检测敏感性，在治疗选择有限或无可选方案癌症患者中发现额外治疗可靶向改变。这凸显关键临床意义，如胶质母细胞瘤 N2M2 伞式试验中，针对活化 mTOR 信号患者的 temsirolimus 臂是唯一从匹配靶向治疗获益的治疗臂。尽管未定义次级 FC 阈值以减少对 IHC 依赖，识别额外临床相关缺失的潜力可能证明增加诊断努力合理，并支持进一步评估和整合 ML 辅助 CNV 分析。需要更大训练和验证队列进一步优化模型。研究人员正在努力将方法扩展至其他基因缺失检测。
