0. TL; DR

本文通过整合来自 TCGA 和 GEO 数据库的数据，以及内部生成的 MeDIP-seq 和 EM-seq 数据，筛选并验证了366个肺癌特异性甲基化标志物。基于这些标志物，作者设计了一个靶向EM-seq Panel，并对142名肺癌患者和56名健康对照的血浆样本进行了高深度测序。

作者构建了一种名为甲基化与片段大小谱（Methylation and Fragment Size profiles, MFS）的二维特征表，该表能够同时反映特定基因组区域在不同片段长度下的甲基化水平。将此 MFS 表作为输入，作者训练了一个卷积神经网络模型。

在独立的测试集上，该模型的诊断性能优异。在系列稀释实验中，模型展现了极高的灵敏度他。这项研究成功地开发并验证了一个结合了新型甲基化标志物panel和创新深度学习模型的诊断工具，证明了融合甲基化和片段大小谱能够显著提升肺癌无创检测的准确性和灵敏度。

1. 背景介绍

肺癌是全球第二大常见癌症，也是导致癌症相关死亡的首要原因。提高患者生存率的关键在于早期发现。尽管低剂量计算机断层扫描（low-dose computed tomography, LDCT）已被证明能有效降低肺癌死亡率，但其高假阳性率、辐射暴露风险和成本等问题限制了其广泛应用。因此，开发非侵入性、高精度的早期诊断方法迫在眉睫。

血浆中的细胞游离DNA（cfDNA）作为一种“液体活检”技术，为癌症的无创早期诊断带来了曙光。cfDNA 中包含了来自肿瘤细胞的循环肿瘤DNA（circulating tumor DNA, ctDNA），它携带了肿瘤特有的分子改变。其中，两种特征尤为引人注目：

DNA甲基化 (DNA methylation)：作为一种重要的表观遗传修饰，DNA甲基化模式的改变通常发生在肿瘤发生的早期阶段，并且具有高度的组织和癌症特异性，是理想的早筛标志物。
片段大小 (Fragment size)：大量研究证实，ctDNA 片段通常比来自正常细胞的 cfDNA 更短。基于这一特性，DELFI 等分析方法通过解读 cfDNA 的片段组学特征，显著提升了癌症检测的灵敏度。

尽管甲基化和片段大小这两个特征各自的诊断价值已得到广泛验证，但它们之间的内在关联，以及如何将两者有效整合以发挥协同效应，仍是该领域一个尚未被充分探索的问题。

本研究的出发点正是基于这样一个假说：将DNA甲基化模式与片段大小谱（fragment size profiles）相结合，能够进一步提升肺癌检测的准确性和灵敏度。为此，作者旨在开发一种全新的深度学习算法，该算法能够同时处理这两种信息模态，从而实现对肺癌的更精准诊断。

2. MFS-CNN模型

作者的研究分为两个主要部分：首先是筛选和验证肺癌特异性的甲基化标志物，并基于此设计靶向测序panel；其次是构建并训练能够整合甲基化和片段大小信息的深度学习模型。

2.1 肺癌特异性甲基化标志物的筛选与验证

为了找到最有效的诊断标志物，作者采用了一个多步骤、多平台的筛选策略：

初步筛选 (450K芯片 & MeDIP-seq)：作者首先利用公共数据库 TCGA 和 GEO 中的Infinium HumanMethylation450 (450K) BeadChip芯片数据，比较了肺腺癌（ADC）和肺鳞癌（SCC）的肿瘤组织、癌旁正常组织以及正常血液样本的甲基化差异。同时，作者内部生成了25个肺癌和190个健康样本的MeDIP-seq数据，进行差异甲基化区域（Differentially methylated regions, DMRs）的筛选。通过这两组数据的交叉验证，共筛选出1890个候选标志物。
深度验证 (WGEM-seq)：为了在全基因组范围内进行更精准的验证，作者对7对肺癌组织及其癌旁组织，以及10份正常白细胞（WBC）样本进行了全基因组酶法甲基化测序（Whole-genome Enzymatic Methyl-seq, WGEM-seq）。通过比较这三组样本，作者进一步筛选出463个在肿瘤中特异性高甲基化或低甲基化的标志物。
最终精炼 (Twist Human Methylome Panel)：将上述筛选出的标志物整合后，作者利用 Twist Human Methylome Panel 对5名肺癌患者和7名健康个体的血浆 cfDNA 进行了高深度靶向测序。在这一步中，作者设置了更严格的筛选标准，包括 AUC 值、甲基化差异倍数和在健康样本中的稳定性等，最终确定了由366个高质量甲基化标志物组成的最终 panel。

2.2 靶向EM-seq Panel与MFS特征表的构建

基于最终筛选出的366个标志物，作者设计了一个定制化的靶向EM-seq panel，并对142名肺癌患者和56名健康对照的血浆样本进行了平均700倍的高深度测序。

为了整合甲基化和片段大小信息，作者提出了一种名为MFS（Methylation and Fragment Size profiles）的二维特征表。其构建过程如下：

基因组分箱：将靶向区域按照基因组坐标划分为100bp的窗口（bin）。
按片段大小分层：在每个窗口内，将测序读段（reads）按照其片段长度（120bp到220bp）以10bp为间隔进行分组。
计算分层甲基化水平：在每个窗口的每个片段长度组内，计算平均甲基化水平（甲基化胞嘧啶数量/总胞嘧啶数量）。为保证统计的可靠性，要求总胞嘧啶数量 $\ge 20$。
构建MFS表：最终生成一个二维表格，其 x轴代表基因组位置（bin），y轴代表片段大小，表格中的值则是对应条件下的甲基化水平。对于因测序深度不足而产生的缺失值，使用该片段大小所有区域的中位数进行填充。

这张 MFS 表巧妙地将一维的基因组坐标和一维的片段大小信息，与第三维的甲基化水平信息整合在了一张二维图像上，为后续使用 CNN 模型进行特征提取和分类奠定了基础。

2.3 基于MFS的CNN深度学习模型

将每个样本生成的 MFS 二维表作为输入。采用卷积神经网络架构。CNN 能够通过其卷积核自动学习输入图像（即 MFS 表）中的局部模式和空间关系，非常适合捕捉甲基化水平如何随基因组位置和片段大小协同变化的复杂特征。

作者将数据集划分为训练集、验证集和测试集。使用贝叶斯优化（Bayesian optimization）技术进行超参数（如卷积层数、滤波器数量等）的自动寻优。采用Early stopping策略，即当模型在验证集上的损失开始上升时停止训练，以防止过拟合。模型最终通过一个 sigmoid 函数输出一个0到1之间的概率值，代表样本为肺癌的概率。

3. 实验分析

作者对筛选出的标志物、创新的 MFS 特征以及最终的 CNN 模型的性能进行了全面的分析和评估。

3.1 标志物与MFS特征的有效性验证

图a (片段大小)：在靶向 panel 数据中，癌症样本的 cfDNA 片段确实比健康样本更短，验证了片段大小作为一个有效特征。
图b (甲基化水平)：在筛选出的高甲基化区域，癌症样本的甲基化水平显著高于健康样本；在低甲基化区域则相反。这证明了作者筛选出的标志物在真实 cfDNA 样本中依然有效。
图c (甲基化与片段大小的关联)：在高甲基化区域，癌症样本的甲基化水平随着片段变短而升高，而健康样本则不受片段长度影响。在低甲基化区域，癌症样本的甲基化水平随着片段变短而降低。这种片段长度依赖的甲基化差异是 MFS 特征的核心生物学基础，也是其优于单一模态的原因。
图d (MFS表可视化)：MFS 表的热图直观地展示了癌症样本和健康样本在甲基化-片段大小二维空间中的显著差异。

作者比较了基于不同标志物区域（全部、仅高甲基化、仅低甲基化）和不同特征（MFS、仅甲基化水平、仅片段大小）构建的模型的性能。

图a：仅使用低甲基化区域构建的模型（AUC=0.87）性能最佳，显著优于使用全部区域（AUC=0.85）或仅高甲基化区域（AUC=0.67）的模型。
图b：MFS 模型（AUC=0.87）的性能显著优于仅使用甲基化水平（AUC=0.78）或仅使用片段大小（AUC=0.53）的模型。

这两个比较充分证明了：（1）低甲基化区域是更有效的诊断标志物；（2）整合甲基化和片段大小的 MFS 特征确实能够带来显著的性能提升。

3.2 MFS-CNN模型的最终诊断性能

在独立的测试集上，最终的 MFS-CNN 模型（基于低甲基化区域）表现出色，AUC 达到 0.87，准确率为 81.5%。在98%的高特异性下，灵敏度依然能达到 70.0%。

图a (按分期)：模型对不同分期的肺癌均有检测能力，且灵敏度随分期升高而增加。在I、II、III、IV期的灵敏度（在98%特异性下）分别为42.9%、57.1%、81.0%和100%。
图b (按亚型)：模型对肺鳞癌（SCC）的检测性能（灵敏度87.5%）优于肺腺癌（ADC）（灵敏度55.0%），这与既往研究的发现一致。

3.3 模型的检测极限 (LOD) 评估

作者通过将一个肿瘤分数为15%的肺癌患者血浆与健康人血浆进行系列稀释，评估了模型的检测灵敏度。

模型的预测概率随着肿瘤分数的增加而稳步升高，显示出良好的定量响应。在98%的高特异性下，模型能够稳定地检测到肿瘤分数低至1%的样本。如果将特异性放宽到80%，模型的检测极限甚至可以达到惊人的0.1%。这一结果证明了 MFS-CNN 模型具有极高的分析灵敏度，在早期微小病灶的检测中具有巨大潜力。