基于人工智能的多组学技术解析染色体外环状DNA，揭示结直肠癌中的隐匿靶标

《Cell Communication and Signaling》：AI-driven multi-omics deciphering of extrachromosomal circular DNA rescues hidden targets in colorectal cancer

　　

摘要

背景

染色体外环状DNA（eccDNA）是一种新兴的肿瘤生物标志物，其特点在于具有肿瘤特异性扩增现象，并会加剧基因组异质性。然而，eccDNA的高度异质性给其特征分析带来了巨大挑战。目前的识别工具主要依赖单一类型的数据，未能充分利用多组学数据的整合优势，还常常忽略那些虽数量稀少但具有生物学意义的信号。

方法

为解决这一问题，我们开发了eccDNAOmix这一基于人工智能的框架，它将专门的eccDNA测序流程与多组学数据相结合，用以评估不同生物学特征的作用程度。该框架以结直肠癌患者的匹配肿瘤组织及邻近正常组织为数据来源，通过掩码策略去除非生物学噪声，并采用具有自适应门控融合机制的多模态深度学习模型。

结果

我们的模型展现了出色的识别性能（AUC=0.844），其中DNA序列特征（AUC=0.822）是识别eccDNA最有效的特征。基于这一发现，我们搭建了一个网络服务器，以便实际应用中的eccDNA识别。生物学特性分析表明，eccDNA主要来源于启动子区域，且在连接位点下游100bp范围内RNA修饰现象较为丰富。值得注意的是，eccDNAOmix能够从传统上被舍弃的未映射测序读段中找回隐藏的eccDNA片段，这一结论也得到了实验验证。

结论

通过结合多组学测序与eccDNA测序，本研究首次对eccDNA进行了全面分析。我们的多组学分析显示，DNA序列在eccDNA识别中起着最重要的作用。利用这一核心识别特征，并提供一种易于使用的单模态识别工具，我们的工作为推动结直肠癌相关研究的进展提供了实用的计算框架。

图形摘要