《SCIENCE ADVANCES》：A scalable deep-learning framework for cancer detection using cell-free DNA shallow whole-genome sequencing
编辑推荐：
研究人员设计了一种名为UNITE（通用cfDNA特征集成框架）的通用cfDNA特征集成框架，该框架基于由浅层全基因组测序（sWGS）数据在0.1×深度下生成的“基因组bin-片段长度”矩阵，提供了可扩展的癌症检测方法。利用来自2063份血浆样本（631份对照和
研究人员设计了一种名为UNITE（通用cfDNA特征集成框架）的通用cfDNA特征集成框架，该框架基于由浅层全基因组测序（sWGS）数据在0.1×深度下生成的“基因组bin-片段长度”矩阵，提供了可扩展的癌症检测方法。利用来自2063份血浆样本（631份对照和1432份来自26种癌症类型的病例）的sWGS数据，研究人员系统地评估了XGBoost（UNITE-XGB）和卷积神经网络（UNITE-CNN）在多个特征空间和癌症分期中的性能。在I-II期癌症中，UNITE-XGB和UNITE-CNN在95%特异性下分别实现了31%和21%的灵敏度。这些发现为开发超越血浆活检的多特征人工智能提供了路线图。
**论文解读：UNITE框架——基于浅层全基因组测序的多特征深度学习癌症检测新策略**
**研究背景与问题**
细胞游离DNA（cell-free DNA, cfDNA）是细胞通过多种生物学过程自然释放到体液（如血液、尿液、脑脊液）中的DNA片段。血浆cfDNA的模式大小为166碱基对（bp），反映了核小体包裹的DNA（约146 bp）加上相邻核小体之间的连接DNA（约20 bp）。这些片段半衰期短（约30分钟），携带反映宿主生理状态和疾病进展的遗传与非遗传信息。作为微创活检，外周血cfDNA已用于非侵入性产前检测、器官移植后的微生物感染监测以及癌症检测等多种临床场景。
尽管基于突变的循环肿瘤DNA（circulating tumor DNA, ctDNA）检测方法已广泛应用于微小残留病灶检测，但其依赖于匹配的组织标本，限制了实用性，尤其是在无法获得肿瘤组织的情况下（如高危人群的癌症筛查）。相比之下，不依赖肿瘤信息的cfDNA特征，如片段长度（fragment length, Len）、核苷酸上下文、拓扑结构、核小体足迹和重复元件等，因其在无需先验肿瘤信息的情况下检测癌症的能力而受到越来越多的关注。这些特征统称为碎片组学（fragmentomics）特征，能够捕获健康来源与癌症来源cfDNA分子之间的结构和生化特性差异。例如，ctDNA片段通常比非恶性细胞来源的cfDNA更短，且通过选择性分析较短片段可富集癌症信号。此外，cfDNA在转录因子结合位点和转录起始位点附近的覆盖模式反映了核小体定位和基因活性，从而提示细胞起源。5′端基序的景观通常显示ctDNA中A或T核苷酸的频率升高，反映了改变的核酸酶切割偏好，这与片段的甲基化状态相关。这些碎片组学特征构成了不依赖肿瘤信息、不依赖组织的癌症检测策略的基础。
近年来，人工智能（AI）已从专用资源演变为广泛可及的研究工具。各种深度学习架构，如卷积神经网络（convolutional neural networks, CNN）、循环神经网络（recurrent neural networks, RNN）、图神经网络和Transformer，已应用于广泛的生物医学研究课题。与传统的统计机器学习方法（如支持向量机、逻辑回归）相比，深度学习神经网络在基于血液的癌症检测领域的潜力尚未得到充分挖掘。此外，目前尚不清楚在AI模型决策中个体特征如何贡献于这一领域。
为了评估多特征AI用于早期癌症检测的可行性，研究人员汇集了来自三个来源的3430份血浆样本的浅层全基因组测序（shallow whole-genome sequencing, sWGS）数据：本研究新测序的数据、欧洲基因组-表型档案库（European Genome-phenome Archive, EGA）以及FinaleDB。经过质量控制，保留1690份样本用于下游分析，并分层为1237份交叉验证样本和453份保留测试样本。此外，还汇总了一个由373份血浆样本组成的独立队列，作为完全未见测试集用于模型评估。sWGS数据被转换为向量特征和多维数组，包括片段长度（Len）、跨5 Mb基因组bin的Len计数标准差（SD）、每个bin的短/长片段比（short/long ratio, S/L）、5′胞嘧啶/胸腺嘧啶基序比（C/T）以及拷贝数畸变（copy number aberration, CNA）。基于此框架，研究人员评估了两类模型：XGBoost（使用向量特征作为输入）和CNN模型（使用多维数组作为输入）进行二分类（癌症 vs. 健康）。模型通过重复交叉验证进行评估，然后使用整个交叉验证集进行训练，并在保留测试集和未见测试集上进行测试。这些分析表明，UNITE能够从cfDNA sWGS数据（0.1×）中灵敏地检测固有癌症信号，为使用多特征深度学习方法的癌症筛查提供了原理证明策略。
**主要关键技术方法**
为开展研究，研究人员使用以下关键技术方法：（1）样本队列来源：从EGA和FinaleDB收集公开sWGS数据，并新测序来自LUCID（肺癌）和OV04（卵巢癌）研究的血浆样本；未见测试集包含来自MELR、MISIL1、MOD-LUC、LEMA等研究的新测序血浆样本。（2）多特征提取：从“基因组bin–Len”矩阵导出五个边际特征（Len、SD、S/L、C/T、CNA），并构建多维特征通道（如基于不同5′端基序的片段计数矩阵）。（3）模型构建与评估：采用XGBoost（UNITE-XGB）和基于预训练ImageNet权重的CNN（ResNet18等）架构进行二分类；通过嵌套交叉验证和超参数调优，在保留测试集和未见测试集上评估模型性能，并使用Shapley加法解释（SHAP）分析特征重要性。
**研究结果**
**样本选择**
研究人员从3430份血浆样本中筛选出1690份（来自26种癌症类型）用于交叉验证和保留测试，仅纳入满足以下条件的样本：（i）血浆cfDNA；（ii）来自癌症患者或健康捐赠者；（iii）WGS测序深度≥0.1×；（iv）若同一个体有多个样本，仅选择最早时间点。三大类别为健康（n=458）、乳腺癌（n=377）和肺癌（n=159）。此外，研究人员组装了完全独立的未见测试集（n=373），包括健康捐赠者（n=173）、肺癌（n=163）、乳腺癌（n=24）和黑色素瘤患者（n=13）的血浆sWGS数据。
**病例与对照样本间提取的向量特征和CNN数组存在差异**
对于每个样本，研究人员构建了一个“基因组bin–Len”矩阵（碎片组矩阵）。基于此矩阵，推导出五个边际特征。通过比较健康样本与乳腺癌样本（女性，肿瘤分数TF=0.27）的原始矩阵和边际特征，发现癌症相关信号并非总是线性地体现在热图中，仅靠边际特征无法完全捕获这些模式，这强烈支持使用能够检测非线性模式的深度学习模型以提高灵敏度。研究人员根据ichorCNA估计的TF将样本分为五类（健康、[0, 0.03]、(0.03, 0.1]、(0.1, 0.2]、(0.2, 1]），观察到随着TF增加，癌症样本中低于150 bp的片段比例增加，所有TF类别均显示100-150 bp片段计数显著高于健康对照。SD值和CNA异质性也随TF升高而增加。S/L、C/T、CCC/AAA和CGN/NCG基序比与健康中位数的相关性随TF升高而降低。
**交叉验证结果表明多特征集成提高了检测灵敏度**
研究人员使用不同TF类别的样本独立训练和测试XGBoost和CNN模型。对于XGBoost模型，集成模型（X6，包含所有特征，即UNITE-XGB）在所有TF类别中均达到最高的受试者工作特征曲线下面积（AUC）。在TF<3%的样本中，集成模型平均AUC为0.878，而单独Len（0.873）、SD（0.857）、CNA（0.736）、C/T（0.715）、S/L（0.651）均较低。对于TF>3%的样本，CNA成为最强个体特征。通过SHAP分析，Len和SD在低TF样本中贡献最大的10个特征中的8个，而CNA特征在高TF样本中占主导。
**CNN直接从碎片组矩阵检测癌症相关信号**
研究人员应用ResNet18、ResNet34和EfficientNetV2S等CNN架构，设计了不同特征通道数量的模型C1至C5。在[0, 0.03] TF类别中，ResNet18-C4（即UNITE-CNN）平均AUC达0.904。模型C1性能最低，而C2至C5在每个TF类别中均达到相似的高AUC值。UNITE-CNN被选为保留样本评估和未见数据测试的最佳模型。
**UNITE-XGB和UNITE-CNN与现有ctDNA检测模型的比较**
研究人员将其与ichorCNA-TF（基于ichorCNA推断的TF的逻辑回归）和DELFI-XGB（使用DELFI研究特征）进行比较。在整个交叉验证数据集（无TF分层）中，UNITE-CNN AUC最高（0.924），其次为UNITE-XGB（0.916）、DELFI-XGB（0.869）、ichorCNA-TF（0.642）。在95%特异性下，灵敏度分别为66.8%、65.9%、56.4%和37.4%。
**UNITE-CNN在保留测试集中优于其他模型**
在保留测试集（n=453）中，对I-II期癌症，UNITE-CNN AUC 0.936，灵敏度69%（95%特异性），而UNITE-XGB（0.891，67%）、DELFI-XGB（0.749，38%）、ichorCNA-TF（0.613，17%）。在各分期组合中，UNITE-CNN AUC 0.945，灵敏度76%。
**UNITE-XGB在未见测试集中优于其他模型**
在完全未见测试集（n=373）中，UNITE-XGB在I-II期（AUC 0.781，灵敏度31%）、III期（0.861，60%）、IV期（0.869，59%）及所有分期（0.829，47%）均优于其他模型。在I-II期，UNITE-CNN和ichorCNA-TF AUC相当（0.66和0.67），UNITE-CNN灵敏度21%。去除特定癌症类型训练样本后，UNITE-XGB性能保持稳健，而UNITE-CNN性能下降。训练样本量消融实验表明，样本量少于150时AUC急剧下降。在99.6%特异性下，UNITE-XGB对所有未见癌症样本实现22%灵敏度。
**讨论与结论**
技术进展已实现cfDNA碎片组学、蛋白质组学、甲基化、突变、微生物及拷贝数的多模态表征，为跨不同生化维度研究cfDNA打开了大门。然而，不同生物学特征在不同肿瘤分数下对AI模型决策的贡献程度尚不清楚，深度学习技术与cfDNA分析应用之间仍存在差距。本研究通过引入C/T和SD两个新特征，系统评估了这些特征的重要性：在TF≤3%的患者中，Len和SD优于CNA、C/T和S/L。在样本量限制使用大规模深度学习模型的情况下，sWGS相比甲基化谱或深度WGS提供了成本效益高、标准化且广泛可及的方法。UNITE框架主要针对sWGS数据设计，但易于扩展到其他数据类型。仅使用0.1× sWGS数据，UNITE-XGB在95%特异性下实现47%总体灵敏度（I-II期31%）。当前基于cfDNA的筛查检测面临中等灵敏度（无症状人群通常25-40%，早期疾病更低）和高特异性（通常>99%）的挑战。通过固定99.6%特异性，UNITE-XGB实现22%灵敏度，高于本研究基准的其他模型。UNITE高度可扩展，特征通道可轻松扩展（如整合突变），MultiAssayExperiment特征管理确保了可重复性。本研究还存在一些局限性：无法完全评估UNITE检测到的最小TF（尤其在I-II期患者中），模型未评估纵向TF变化或追踪疾病动态，预训练CNN在自然图像上的训练可能限制领域特异性特征学习，预分析变量（如不同采集管和冻融循环）和克隆性造血可能影响cfDNA碎片组特征。总之，对多样生物学特征的系统评估、UNITE深度学习框架的开发以及大规模多中心数据集的组装，共同推动了基于cfDNA的早期癌症检测的前沿发展。研究结论：研究人员通过构建可扩展的多特征集成框架UNITE，利用0.1×深度的sWGS数据，成功实现了对多种癌症的灵敏检测，并在I-II期和低肿瘤分数样本中展示了优于传统单特征方法的性能，为早期癌症筛查提供了可行的深度学习策略。
