单次cfDNA分析和癌症筛查的多模态人工智能.

paper：Multimodal AI for Single cfDNA Profiling and Cancer Screening

0. TL; DR

cfAI 癌症检测框架是首次在单分子水平上实现了对血浆游离DNA（cfDNA）的多组学信息整合，并结合了强大的 Transformer 深度学习模型。cfAI 框架在同一个 cfDNA 分子上同时捕获了DNA甲基化、片段组学特征和组蛋白修饰信息，与基因语义、表观基因组注释等多维度信息进行向量化和融合。

作者基于这些 cfDNA token 训练了一个 Transformer 模型，该模型能够在分子、基因和样本三个层面上评估 ctDNA 的可能性。实验结果显示，cfAI 能够实现近10倍的癌症信号富集，在多癌种检测中，于93.1%的特异性下达到了72.6%的灵敏度。

1. 背景介绍

血浆中的细胞游离DNA（cfDNA）作为一种非侵入性的生物标志物，已在肿瘤监测、产前诊断和器官移植等领域取得了巨大成功。肿瘤来源的 cfDNA（即 ctDNA）携带了包括基因突变、表观遗传改变、片段组学特征和组蛋白修饰在内的丰富多组学（multi-omics）信息，为癌症的早期筛查提供了可能。

然而，cfDNA 在癌症早筛中的应用始终面临一个核心挑战：ctDNA 的含量极低。在早期癌症患者的血浆中，ctDNA 的比例通常低于0.1%，其微弱的信号极易被来自正常细胞（主要是血细胞）的海量背景 cfDNA 所淹没。

现有的方法大多基于混合物分析策略，即通过分析整个 cfDNA 群体的平均信号波动来推断 ctDNA 的存在。这种策略存在明显的局限性：

信噪比低：微弱的肿瘤信号被巨大的背景噪声稀释，导致检测灵敏度不足。
信息丢失：为了从噪声中提取信号，传统方法不得不依赖于背景信号非常干净的标志物（如SEPT9甲基化），或者在百万碱基（megabase）甚至染色体臂（arm）级别上平滑信号，这牺牲了大量发生在更精细尺度（如单个核小体位置）上的真实生物学变化。
协同效应的忽略：cfDNA 以核小体的形式存在，这意味着甲基化、片段化和组蛋白修饰等多种信号是共存于同一个物理分子上的。这些多组学特征之间存在着强烈的协同作用。而传统的先分析单组学，后整合结果的策略，则彻底切断了这种分子内的信息关联，浪费了宝贵的信号。

Transformer 等人工智能模型的兴起为处理复杂高维数据提供了强大工具，但现有的单细胞或基因水平的模型无法直接应用于 cfDNA 分析，因为它们缺乏一个能够将单个 cfDNA 分子作为基本处理单元（token）的语义系统。

为了从根本上解决上述问题，本研究提出了一个全新的思路：在单分子水平上实现对 cfDNA 的多组学整合，并为此专门设计一个能够理解和融合这些信息的多模态AI模型。

2. cfAI框架

cfAI 框架的设计旨在实现从实验到计算的端到端多模态信息融合。其核心包括多组学测序方案和定制化的 Transformer 模型架构。

2.1 构建单分子多组学cfDNA Token

为了在同一个 cfDNA 分子上同时获取多种组学信息，作者开发了一套全新的测序流程：

cf-核小体富集：使用与 H3K4me3（一种与转录活跃相关的组蛋白修饰）特异性结合的抗体磁珠，从血浆中捕获并富集与活跃转录起始位点（TSS）相关的核小体。这一步旨在放大癌症样本与正常样本之间的差异信号。
文库构建与酶法甲基化转换：对富集到的 cfDNA 进行末端修复、双链文库构建，并采用酶法进行甲基化转换。这一流程既能保留 cfDNA 天然的片段末端信息，又能准确检测5mC甲基化状态，避免了传统亚硫酸氢盐处理对DNA的损伤。
高通量测序：最终获得能够在单分子（单个测序读段 read）水平上同时解析 DNA 序列、CpG甲基化、片段长度、末端基序和组蛋白修饰来源（通过H3K4me3富集）的多维数据。

为了让 Transformer 模型能够理解这些异构的多组学数据，作者为每个 cfDNA 分子精心设计了一个多模态的向量表示，即cfDNA token。

对于每个 cfDNA 测序读段，提取以下特征：

分子内特征：DNA序列、CpG位点及甲基化状态、碱基错配、片段长度、末端基序。
基因组上下文特征：通过比对到参考基因组，为每个片段注释其所处的3D基因组结构（如A/B区室）、染色质状态（如ChromHMM状态）、与TSS的相对位置等。
基因语义特征：利用在单细胞大数据上预训练好的模型（如scGPT），为每个片段关联的基因赋予一个语义向量，代表该基因的生物学功能。

针对不同类型特征的数据结构和生物学意义，设计了不同的嵌入方法。例如，使用可学习的傅里叶特征（Fourier features）来编码具有周期性的片段长度；使用卷积神经网络来捕捉序列模式。

将所有特征的嵌入向量拼接起来，再通过一个多层感知器（MLP）网络，最终将一个 cfDNA 分子的所有信息压缩成一个固定维度（如512维）的潜在向量，即 cfDNA token。

2.2 模型架构

模型的输入是一个cfDNA batch，它由来自同一个基因的所有 cfDNA token 组成。此外，还设计了一个特殊的 <cls> token，用于编码该基因的整体信息，如 H3K4me3 的富集水平（可反映基因表达差异）和基因语义信息。

采用标准的 Transformer Encoder 架构，通过自注意力机制捕捉一个基因内部不同 cfDNA 分子之间以及每个分子内部不同组学特征之间的复杂交互关系。

模型具有多个任务头，可以同时输出三个层面的预测结果：单个 cfDNA 分子的癌症评分、整个 cfDNA batch 的癌症评分，以及组织来源的 logits。

2.3 训练策略

由于无法在训练前准确知道哪个 cfDNA 分子是 ctDNA，作者采用了一种伪标签策略，即初始时将所有来自癌症样本的 cfDNA 都视为候选 ctDNA。

在训练的每个批次中，将来自目标样本（癌症或正常）的 cfDNA token，与从10个正常样本中随机抽取的、测序深度匹配的噪声 token混合在一起。

训练模型从这个混合的 batch 中，准确地区分出哪些是候选 ctDNA，哪些是噪声。这种类似对抗训练的模式，迫使模型学习区分肿瘤和正常来源 cfDNA 的最本质、最细微的特征差异。

在推理阶段，模型输入不再混入噪声 token，直接对目标样本的 cfDNA 进行评分。最终，一个样本的癌症总分由其所有基因批次的平均癌症得分来决定。

3. 实验分析

作者在一个包含10种癌症类型共304个合格样本的数据集上对 cfAI 进行了训练和测试。

3.1 单分子多组学协同效应与ctDNA富集

作者首先通过一个具体的基因案例（IRS1）直观地展示了单分子多组学的威力。

图A：通过同时可视化核小体位置（x轴）、片段长度（y轴）和CpG甲基化（颜色），作者发现，与正常样本相比，癌症样本的 cfDNA 在 IRS1 启动子区域表现出一种独特的模式：大量低甲基化、短片段的分子聚集在特定的核小体位置。这与 IRS1 作为一个癌基因在肿瘤中高表达的生物学事实高度吻合。
图B, C：如果只使用单一组学特征，这种信号很难被发现。例如，仅比较短片段比例，癌症和正常样本无显著差异 ($p=0.3$)。然而，当结合甲基化和核小体位置信息进行筛选后，短片段信号的差异变得显著 ($p=0.007$)。而经过 cfAI 模型评分筛选后，差异的显著性更是被放大了近30倍 ($p=0.00026$)。同样，甲基化信号的差异在 cfAI 筛选后也得到了巨大增强 (图2C, $p$ 从 $10^{-40}$ 降低到 $10^{-71}$)。
图E：模型嵌入层中的傅里叶特征神经元（如 Neuron #6）能够自发学习到与 ctDNA 相关的10.7-bp周期性信号。
图F：对 ChromHMM 状态的嵌入向量进行UMAP降维，可以清晰地看到模型在无监督的情况下就学会了区分不同的基因组功能区域。

这些结果有力地证明，单分子多组学的协同分析能够极大地放大微弱的 ctDNA 信号，而 cfAI 模型成功地学习并利用了这种协同效应。

3.2 上下文感知建模与信号去噪

cfAI 的一个核心设计是能够处理一个基因上下文中的多个 cfDNA 分子，从而实现信息的聚合与去噪。

图A：许多癌症样本的 cfDNA batch，其单个分子的平均得分可能很低（接近正常水平），但经过模型聚合上下文信息后，其批次级别的得分显著升高。这表明模型有效地从大量噪声中提取出了微弱的集体信号。
图B：模型的组织来源（TOO）预测置信度与批次得分高度相关。高置信度的批次往往是真正的阳性信号，而低置信度的批次则可能是假阳性。这为后续的评分校正提供了依据。
图C, D：使用置信度校正后的门控得分（gated score），癌症样本与正常样本之间实现了惊人的分离度（Mann-Whitney U 检验, $p < 1 \times 10^{-300}$）。
图E, F：TOO 预测的混淆矩阵显示，结直肠癌（CRC）的预测最准确，而肺腺癌（LUAD）则因 ctDNA 释放量低而较难预测。模型还能稳定地识别出像 ADAMTS9 和 ALDOB 这样在多个批次中都呈阳性的已知肿瘤相关基因。
图G, H：对模型内部 <cls> token 的隐状态进行UMAP降维，可以清晰地看到不同组织来源的 cfDNA batch 在潜在空间中形成了不同的簇。更有趣的是，模型在无监督的情况下，自发地将代表癌基因（Oncogene）和抑癌基因（Tumor-suppressor）的批次分离开来，这表明 cfAI 真正学习到了具有深刻生物学意义的特征。

3.3 模型训练动态

图B, C：在训练过程中，模型的损失稳步下降，同时 ctDNA 信号的富集倍数（信噪比）从初始的1:1提升到接近10:1，显示了伪标签和噪声对比学习策略的有效性。
图D：更长的上下文长度（1024 tokens）比短上下文（128 tokens）能带来更强的 ctDNA 富集效果，证明了上下文信息的重要性。

3.4 样本级性能评估

图A, B：在样本级别的诊断中，cfAI 在训练集和测试集上都实现了癌症与正常样本的清晰分离。测试集的 AUC 达到了 0.887。
图C, D：在93.1%的特异性下，cfAI 的总体灵敏度为72.6%。
- 按癌种分：对肝癌（84.6%）和结直肠癌（73.1%）的灵敏度较高，与这些癌种 ctDNA 释放量较高的认知相符。值得一提的是，对于传统方法极难检测的I期肺腺癌，cfAI 的检出率达到了67%（6/9）。
- 按分期分：模型在I-IV期癌症中均表现出稳定的检测能力。
图E-I：TOO 预测和基因层面的分析进一步揭示了模型的生物学洞察力。模型不仅识别出 HDAC2、TGFBR2 等泛癌相关基因，还能发现 DRG1 等癌种特异性的候选标志物。