基于细胞游离DNA诊断的人工智能与机器学习.

1. cfDNA生物学

细胞游离DNA（cell-free DNA, cfDNA）是指游离于血液、尿液、唾液等体液中，未被细胞包裹的DNA碎片。对循环血浆DNA的研究揭示了其一系列重要的生物学特征，如组织来源和独特的片段化模式。cfDNA的发现为无创诊断开启了广阔的大门。例如，在癌症患者血浆中发现的循环肿瘤DNA（ctDNA），为无创癌症检测和靶向治疗设计提供了全新路径；而在母体血浆中发现的胎儿DNA，则直接催生了无创产前检测（NIPT）的诞生，尤其是在胎儿染色体非整倍体筛查方面发挥了关键作用。同样，在器官移植受者血浆中检测到供体来源的DNA，也激发了对器官排斥进行无创监测的浓厚兴趣。

关于cfDNA的释放机制，学界提出了多种假说，包括细胞凋亡（apoptosis）、坏死（necrosis）、NETosis以及细胞主动分泌，但它们在cfDNA释放入血浆过程中的相对贡献至今尚不完全清楚。然而，在cfDNA的片段化过程研究方面，却取得了激动人心的进展，并由此开发出多种片段组学（fragmentomics）标志物。已知人类血浆DNA的片段长度众数约为166 bp，这恰好反映了包裹一个核小体及连接区的DNA长度。有趣的是，胎儿和肿瘤来源的cfDNA分子表现出更短的众数尺寸（约143 bp），这为通过尺寸筛选来富集目标信号提供了可能。此外，小于143 bp的片段还呈现出10 bp的周期性，这揭示了cfDNA片段化与核酸酶在核小体DNA暴露凹槽上的切割作用之间的深刻机制联系。事实上，许多研究表明，一部分cfDNA以无细胞核小体的形式在血液中循环，并且这些循环核小体的水平及其组蛋白修饰在癌症患者与健康个体之间、不同癌症类型之间均存在差异。

cfDNA片段末端的片段化模式并非随机。其末端核苷酸的分布在所有可能的排列中是不均匀的。目前认为，这些独特的末端基序（end motifs）模式部分源于多种核酸酶的作用，如脱氧核糖核酸酶1（DNASE1）、脱氧核糖核酸酶1L3（DNASE1L3）和DNA片段化因子β亚基（DFFB）。其中，DFFB和DNASE1L3在凋亡性DNA片段化中扮演着重要角色，而DNASE1L3和DNASE1等核酸酶则表现出组织特异性的表达模式。此外，分泌型DNASE1L3和DNASE1是血清DNase活性的主要贡献者，对于清除血清中的DNA/染色质复合物至关重要。临床上，Dnase1l3或Dnase1的功能丧失与人类及小鼠的系统性红斑狼疮（SLE）密切相关。

通过构建特定核酸酶基因敲除的小鼠模型，科学家得以深入研究单个核酸酶的功能。例如，在Dnase1l3基因敲除小鼠的血浆中，双核小体和三核小体DNA分子的比例显著增加，且其DNA片段5’末端的特定四碱基基序频率也发生剧变，尤其是以“CC”开头的基序显著减少，这表明DNASE1L3是产生CC末端片段的关键酶。进一步的研究证实，DNASE1和DFFB则分别倾向于产生T末端和A末端片段。此外，核酸酶活性还与双链DNA上新发现的单链悬挂结构——“锯齿状末端”（jagged ends）有关。

多种DNA核酸酶的参与，为我们理解一个关键现象——“偏好末端”（preferred ends）——提供了回顾性的解释。该现象指cfDNA的片段末端会优先出现在特定的基因组坐标上，并且这种模式在母体与胎儿、肿瘤与非肿瘤基因组之间存在差异。这种全基因组片段化模式的不均匀性，也被用于核小体足迹分析的“窗口保护分数”（window protection score）参数化中。这些研究共同强调，cfDNA片段化模式与染色质的高级结构，如核小体排布、CTCF等蛋白结合位点以及开放染色质区域的转录活性，紧密相连。

鉴于cfDNA分子能携带如此丰富的组织特异性信息，解析其组织来源具有极高的诊断价值。大量研究已证实，通过分析血浆cfDNA的甲基化谱，可以有效追踪其组织来源。这些分析表明，cfDNA主要来源于造血细胞，但肝脏等实体组织也有着不可忽视的贡献。更重要的是，组织溯源技术不仅能精确定位病理部位，还能用于确定未知原发灶癌症的来源。最近发布的一个高分辨率人类甲基化组图谱，为未来开发更精准的组织特异性生物标志物提供了宝贵的资源。

综上所述，cfDNA的甲基化组学和片段组学特征正成为研究热点，有望极大地扩展我们对cfDNA生物学及其临床应用的认知。要从海量的、高维度的cfDNA特征中挖掘出有价值的诊断信息，就需要借助人工智能（AI）和机器学习（ML）等先进的分析工具。本篇综述将重点阐述AI与ML技术在无创产前检测和癌症筛查等cfDNA诊断领域的具体应用。

2. 人工智能与机器学习

虽然AI和ML这两个术语如今常常可以互换使用，但从历史上看，它们各有侧重。AI最初由艾伦·图灵提出，指的是让机器具备类似人类“思考”的能力。而实现这一目标的途径之一，便是让机器从外部数据中学习，这个过程就是我们现在所说的机器学习（ML）。因此，ML通常被视为AI的一个核心子学科。

AI的理论雏形诞生于20世纪四五十年代，最初只是模拟少量神经元的活动。直到21世纪，计算能力的飞跃才使得基于“深度”神经网络（DNNs）的深度学习得以广泛应用。由于其结构与大脑神经元网络相似，深度学习常被特指为基于AI的技术。相比之下，ML则是一个更宽泛的概念，涵盖了支持向量机（SVM）等各类经典算法。在本篇博客中，作者将“ML”作为包含经典算法和深度学习在内的总称，同时用“AI”特指深度学习技术。

2.1 机器学习方法

ML方法主要可分为三大类：分类、聚类和回归。

无论是经典算法还是AI方法，其核心都是通过迭代优化来寻找最佳模型参数，以达到理想的性能。优化的目标是最小化一个被称为“损失函数”（loss function）的指标，它衡量了模型预测值与真实值之间的差距。例如，LASSO回归通过在损失函数中增加一个L1惩罚项，能够自动筛选并剔除信息量较少的特征，从而在回归的同时实现特征选择。

这些技术在cfDNA分析中大放异彩。例如：

2.2 深度学习方法

近年来，基于深度学习的AI技术正越来越多地被引入基因组数据分析。深度学习的核心是DNNs，它由多层相互连接的“神经元”构成。每个神经元接收加权输入和偏置（bias），计算后输出到下一层。这种大规模并行计算使得DNNs能够处理极其复杂的模式。相比经典ML算法，DNNs拥有海量的可优化参数（权重和偏置），这赋予了它们更强的学习能力，但同时也要求有足够大的训练样本量。一个经验法则是，训练样本数应至少是模型权重数的10倍，否则极易因数据稀疏而导致模型性能不佳。

Transformer架构是深度学习领域的革命性突破，其核心是“多头注意力”（multihead attention）机制。它能并行计算序列中每个元素（token）与其他所有元素之间的关系，极大地提升了计算效率和可扩展性，超越了传统的顺序处理模型（如RNNs）。

Transformer的成功在生物学领域引发了巨大反响，蛋白质结构预测软件AlphaFold便是其中的典范。从AlphaFold到AlphaFold3，Transformer模型展示了其从预测单一蛋白结构到模拟复杂生物分子相互作用的强大通用性。另一现象级应用ChatGPT则证明了大型语言模型（LLM）的巨大潜力。受此启发，生物信息学领域也开始利用LLM进行蛋白质功能预测和海量基因变异效应的评估。在cfDNA领域，新一代的HK model 2将Transformer与CNN相结合，在直接检测5mC（AUC=0.99）、5hmC和6mA等多种DNA修饰方面取得了前所未有的高精度，并提升了HCC的检测性能（AUC=0.91）。

下图展示了基于HK模型的直接甲基化分析AI技术。它利用单分子实时（SMRT）测序中核苷酸掺入的动力学信号（IPD和PW）受碱基修饰影响的原理，通过CNN模型结合动力学和序列背景信息，精准预测CpG位点的甲基化状态。该技术已成功应用于推断胎盘来源的cfDNA以及检测肝癌等。

2.3 AI方法的注意事项

维度诅咒与过拟合

深度学习模型强大的学习能力源于其海量的可调参数，但这同样带来“维度诅咒”（curse of dimensionality）的风险：在高维空间中，数据点会变得极其稀疏，模型很容易学习到训练数据中的随机噪声而非普适规律，这种现象称为“过拟合”（overfitting）。一个过拟合的模型在面对新数据时表现会很差，不具备临床应用的可靠性。因此，保证充足的训练数据量至关重要。在数据量有限时，结构更简单的经典ML算法可能反而表现更稳定。

降维与正则化

对抗“维度诅咒”的常用策略是降维（如PCA和NMF）和正则化。正则化通过对模型参数施加约束（如L1和L2正则化）来防止模型过于复杂。在深度学习中，早停（early stopping，在模型于验证集上性能下降时停止训练）和dropout（在训练中随机“失活”一部分神经元）是防止过拟合的有效正则化手段。

严谨的模型评估

交叉验证（Cross-validation）是评估模型性能和监控过拟合的关键步骤。它通过将数据划分为多个“折”（folds），轮流使用部分数据训练、部分数据测试的方式，来模拟模型在未知数据上的表现。此外，Bootstrapping（有放回抽样）是另一种稳健的评估方法。进行这些评估时，必须警惕样本间的依赖性可能导致的“信息泄露”（leakage），例如，来自同一批次的样本或具有时间序列关系的样本被同时分到训练集和测试集中，这会使评估结果过于乐观。采用分块交叉验证（blocked cross-validation）是解决此类问题的一种有效策略。

3. AI与ML在cfDNA分析中的实践

下图清晰地展示了AI/ML算法在cfDNA分析各个领域的应用时间线，涵盖了从NIPT到癌症液体活检，再到新兴的片段组学分析和多模态整合研究。

3.1 无创产前检测 (NIPT)

无细胞胎儿DNA的发现，彻底改变了产前检测的范式，催生了无创胎儿RhD血型鉴定、性别判断、染色体非整倍体筛查、亚染色体结构异常检测以及单基因病诊断等一系列应用。

NIPT的准确性高度依赖于样本中的胎儿DNA分数。胎儿DNA分数低于4%通常被视为QC失败。为此，研究人员开发了多种估算方法。早期方法依赖于Y染色体等父源特异性序列，但适用范围有限。后续发展的FetalQuant和FORTE等模型，通过分析母体血浆中等位基因的比率，利用最大似然估计等统计方法来推断胎儿分数和非整倍体风险。

随着对cfDNA片段化模式差异的深入理解，基于ML的通用方法应运而生。SeqFF算法利用全基因组覆盖度的变化，通过elastic net回归模型精准估算胎儿分数，无需额外实验。PREFACE流程则更进一步，将PCA降维后的覆盖度信息输入DNN进行估算，取得了更高的相关性。最近，ML在解决NIPT的传统难题——亚染色体微缺失/微重复检测——方面也显示出巨大潜力。例如，通过构建DNNs集成模型学习SNPs间的连锁信息，可以在极低测序覆盖度下实现对22q11.2微缺失等疾病的有效筛查。

3.2 基于基因突变的癌症液体活检

早期ctDNA研究聚焦于检测肿瘤特异性的基因突变。然而，尤其是在早期癌症中，这些突变的丰度极低，极易被测序背景噪声淹没。尽管靶向深度测序在一定程度上缓解了这个问题，但仍受限于肿瘤异质性。

现代方法则引入了ML算法来区分真实突变与技术误差。例如，cfSNV和MRD-EDGESNV等工具能够在无需肿瘤组织测序的情况下，灵敏地检测肿瘤突变。MRD-EDGESNV更是利用CNN来分析突变位点的序列背景，并结合片段大小、染色质可及性等其他片段组学特征，在黑色素瘤检测中取得了0.94的AUC。

然而，与局限于少数位点的体细胞突变相比，覆盖数百万基因组坐标的甲基化和片段化改变，为在浅层测序中进行灵敏检测提供了更广阔的平台。

3.3 基于甲基化的癌症液体活检

cfDNA的生物学特性中编码了其组织来源信息，这为开发组织特异性的癌症诊断工具提供了绝佳机会。

通过分析血浆DNA的甲基化谱，可以解构出不同组织对cfDNA池的贡献比例，这一技术被称为“血浆DNA组织图谱绘制”。其核心思想是，血浆中每个甲基化标志物的状态是所有来源组织贡献的加权平均。利用二次规划（quadratic programming）等无监督算法，可以求解这个方程组，从而推断出各组织的贡献比例。该技术不仅能揭示cfDNA的主要来源（如造血细胞和肝脏），还能通过分析拷贝数变异区域的甲基化变化（$ΔM_{tissue}$），精准定位肿瘤的原发灶。

基于这一原理，大量ML模型被开发用于癌症的检测、定位和分期。这些模型通常需要精细的标志物筛选流程。例如，在HCC检测研究中，研究者从数十万个CpG位点中，通过统计检验、RF和LASSO等方法层层筛选，最终确定了仅10个核心标志物，并用其构建了高精度的逻辑回归分类器（AUC=0.944）。另一项肺癌研究则定义了“甲基化块”作为特征，以抵抗单个CpG位点的测量噪声，并使用软间隔SVM进行分类，同样取得了优异的性能（AUC=0.90-0.93）。

商业化的泛癌检测产品（如CCGA研究）则整合了更大规模的甲基化标志物面板和更复杂的ML模型（如伯努利混合模型和逻辑回归），在实现多癌种高特异性检测（99.3%）的同时，还能以93%的准确率预测肿瘤的组织来源。深度学习模型如DISMIR，通过结合CNN和RNN来整合甲基化与序列信息，在HCC检测中展现了对极低测序深度的强大鲁棒性。

3.4 片段组学

片段组学是近年来cfDNA诊断领域一个令人兴奋的新兴范式，它包含了片段大小、核小体足迹、末端基序、偏好末端和锯齿状末端等丰富信息。

大小谱

尽管整体的cfDNA大小谱难以直接用于癌症诊断，但局部的、与肿瘤相关的片段大小变化却是宝贵的信号。DELFI算法正是基于这一思想，它分析全基因组5Mb窗口内短、长片段的比率和覆盖度，并利用梯度提升模型进行多癌种检测，在98%的特异性下实现了57%至>99%的灵敏度。

末端基序

cfDNA的末端序列偏好性（末端基序）反映了切割它的核酸酶的特性。由于DNASE1L3等核酸酶在多种癌症中表达下调，末端基序谱成为一个有潜力的泛癌标志物。通过NMF等无监督学习方法，研究人员从复杂的末端基序数据中解构出代表不同生物学过程（如特定核酸酶活性，甚至氧化应激）的“创始”图谱（F-profiles），并成功应用于HCC和SLE的诊断。

基于片段组学推断表观遗传信号

片段组学与表观遗传学之间存在深刻联系。FRAGMA技术发现，CpG位点周围的片段切割模式与其甲基化状态直接相关（甲基化位点的切割频率更高），从而可以仅通过标准测序数据推断甲基化信息，无需进行破坏性的亚硫酸氢盐处理。基于此，研究者利用CNN或HMM（如FinaleMe模型）构建了高精度的甲基化预测模型。

同样，转录活性也影响着片段化模式。转录活跃的启动子区域染色质更开放，片段化模式更随机。EPIC-seq技术正是利用这一点，通过计算TSS周围的“启动子片段化熵”（PFE），来推断基因的表达水平，并成功应用于NSCLC的检测与亚型分类（AUC=0.90-0.91）。

4. cfDNA研究中的常见陷阱

尽管ML/AI在cfDNA分析中展现出巨大威力，但研究者必须警惕一些常见陷阱，以确保模型的可靠性和结果的可解释性。

4.1 混杂效应

混杂因子是未被测量的变量，但它同时影响着预测变量和输出结果，从而导致虚假的关联。在cfDNA研究中，批次效应（如不同实验中心、试剂批次）、生理变量（如性别、BMI）和环境因素（如采血时的温度）都是常见的混杂来源。如果模型学习到了这些混杂信号而非真实的生物学信号，其泛化能力将大打折扣。因此，在研究设计阶段就应考虑平衡混杂因素，并通过严格的QC和数据校正方法来最小化其影响。

4.2 信息泄露

“信息泄露”是指在模型训练阶段，无意中使用了来自测试集的信息，导致模型性能被严重高估。理想情况下，模型应像一个“盲考”的学生，仅在训练数据上学习，然后在完全陌生的验证数据上测试。

一个常见的泄露来源是在划分训练集和测试集之前，就对整个数据集进行了特征选择（如筛选差异甲基化位点）。这会导致选出的特征本身就包含了测试集的信息，使得后续的评估结果虚高。正确的做法是，将特征选择作为交叉验证流程的一部分，仅在每一“折”的训练数据上独立进行。此外，样本间的依赖关系（如来自同一患者的多个样本）也可能导致泄露，此时应采用分块交叉验证等策略来确保训练集和测试集的独立性。

5. 未来展望与结语

随着可用于疾病检测的生物标志物日益丰富，将多种特征（如甲基化、片段组学、蛋白标志物）整合到统一的多模态分析中，是提升诊断统计效力的必然趋势。多模态AI的最新发展，已经开始将cfDNA分析与医学影像、组织病理学甚至临床文本数据相结合。特别是Transformer架构的崛起，为构建能够处理所有这些数据模态的通用模型提供了可能。

作者对cfDNA表观遗传和片段组学背后生物过程的理解日渐加深，加之测序技术的不断进步，为肿瘤学、产科学、器官移植和免疫病等领域的液体活检带来了众多宝贵的分子特征。ML和AI作为强大工具，能够有效利用这些高维特征，为疾病的诊断和预后提供稳健的预测。随着可用测序数据的爆炸式增长，研究人员正积极探索更具适应性和多模态的AI框架。这些框架有望极大增强我们在疾病早期阶段的检测能力，从而为精准医疗的未来带来革命性的变革。