知识引导的多模态cfDNA分析能够提高癌症检测的灵敏度和泛化性.

0. TL; DR

本文介绍了一种名为 Fate-AI（Fragmentomics Analysis for Tumor Evaluation with AI）的多模态框架，旨在通过整合血浆游离DNA（cfDNA）的片段组学（fragmentomic）和甲基化（methylation）特征，克服当前液体活检技术在癌症早筛中的灵敏度、稳定性和泛化性瓶颈。

Fate-AI 提出了一种样本内对比（within-sample contrast）的特征提取方法，通过比较富集ctDNA区域和稀疏ctDNA区域的信号差异，生成了对批次效应和技术变异具有高度鲁棒性的归一化特征。

作者在一个包含1219个样本（涵盖10种癌症类型）、来自多个国际中心的大型队列中对 Fate-AI 进行了全面验证。结果显示Fate-AI 的性能全面超越了现有的方法。Fate-AI 为癌症的早期检测、微小残留病（MRD）监测和组织溯源提供了一个灵敏、可泛化且具有临床应用潜力的强大平台。

1. 背景介绍

通过无创分析血浆中的循环肿瘤DNA（ctDNA），液体活检正在重塑癌症的诊疗模式，其应用已贯穿从早期检测到治疗监测的全过程。然而，在通往临床广泛应用的道路上，现有技术仍面临着两大核心挑战：灵敏度和泛化性。

目前主流的 cfDNA 分析策略可分为两大类：

  1. 肿瘤知情 (Tumor-Informed) 策略：通常需要先获取患者的肿瘤组织样本，通过测序识别出肿瘤特有的基因突变，然后设计个性化的panel，在血浆中对这些突变进行超深度靶向测序。
    • 优势：特异性极高。
    • 劣势：灵敏度受限。由于血浆样本量有限，如果某个突变片段恰好没有被采集到，即使测序再深也无济于事。此外，这种方法无法应对肿瘤演进和耐药机制带来的基因突变动态变化。
  2. 肿瘤未知 (Tumor-Naive) 策略：无需肿瘤组织，直接在全基因组范围内寻找癌症信号。这些信号可以是片段组学特征（如长短片段比率、末端基序、核小体足迹等），也可以是表观遗传特征（如甲基化模式）。
    • 优势：能够捕捉更广泛的肿瘤信号，有望提高灵敏度。
    • 劣势：特异性不足且泛化性差。全基因组的片段分布等特征极易受到技术变异（批次效应）的影响。来自不同研究中心、采用不同实验流程的数据，其背景信号可能存在巨大差异，导致在一个队列上训练好的模型在另一个队列上表现不佳。

如何结合两者的优点，开发一种既有高灵敏度、又能抵抗技术变异、具有良好泛化性的新方法，是当前液体活检领域亟待突破的关键。

为此，作者提出了 Fate-AI 框架。其核心思想是：在肿瘤未知的框架下，引入知识引导的策略。具体而言，它不依赖于单个患者的肿瘤突变信息，而是利用公共数据库中关于各类癌症的先验知识，聚焦于那些在统计上频繁发生基因组或表观遗传学改变的热点区域。通过对比这些热点与冷点区域的信号差异，Fate-AI 旨在提取一种对批次效应不敏感、更具生物学意义的相对特征，从而实现灵敏度与泛化性的统一。

2. Fate-AI 框架

Fate-AI 的核心是一个多模态分析框架，它巧妙地整合了低深度全基因组测序（Low-pass whole-genome sequencing, LPWGS）和细胞游离甲基化DNA免疫沉淀测序（cell-free methylated DNA immunoprecipitation and high-throughput sequencing, cfMeDIP-seq）两种数据源。

2.1 基于知识的基因组区域划分

Fate-AI 的第一步是对基因组进行功能性划分。

对于片段组学分析 (来自LPWGS)，作者利用Progenetix等大型癌症基因组数据库，为每种癌症类型识别出其频繁扩增（amplified）和频繁缺失（deleted）的基因组区域。这些区域被分别定义为预期ctDNA富集区（expected Gain Copy Number Regions, eGCR）和预期ctDNA稀疏区（expected Loss Copy Number Regions, eLCR）。其背后的假设是，在癌症样本中，eGCR区域会富含来自肿瘤的片段，而eLCR区域则主要由正常细胞的cfDNA构成。

对于甲基化分析 (来自cfMeDIP-seq)，作者利用TCGA等数据库，识别出在肿瘤中特异性高甲基化的区域，定义为预期肿瘤高甲基化区（expected Hypermethylated Regions in Tumor, eHRT）。同时，利用Methylation Atlas，识别出在血细胞等浆细胞主要来源中特异性高甲基化的区域，定义为预期血浆高甲基化区（expected Hypermethylated Regions in Plasma, eHRP）。

2.2 样本内对比特征的提取

Fate-AI 没有直接使用各个区域的绝对信号值，而是通过对比上述功能区域的信号，构建了一系列相对特征。

2.2.1 片段差异分布 (Fragment Differential Distribution, FDD)

对于任意一个片段组学指标 $m$（如平均片段长度、核小体核心区覆盖度等），作者分别计算其在 eGCR 区域和 eLCR 区域的经验累积分布函数（Empirical Cumulative Distribution Function, ECDF），并将两者相减，得到 FDD。

\[FDD(m) = \hat{F}(m | eGCR) - \hat{F}(m | eLCR)\]

从 FDD 曲线中，可以提取出总变差（Total Variation, $TV(m) = \sum |FDD(m)|$）、标准差（$ω(m)$）以及KL散度等一系列量化两个分布差异的数值特征。

2.2.2 甲基化特征

对于 cfMeDIP-seq 数据，作者计算了三个核心特征：

  1. eHRT 中有信号的区域比例 ($S_{eHRT}$)。
  2. eHRP 中有信号的区域比例 ($S_{eHRP}$)。
  3. 上述两类区域的总覆盖度比值 ($R_{tp}$)。
\[S_{eHRT} = \frac{|\{r \in eHRT : c(r) > 3\}|}{|eHRT|}\\ S_{eHRP} = \frac{|\{r \in eHRP : c(r) > 3\}|}{|eHRP|}\\ R_{tp} = \frac{\text{total coverage in eHRT}}{\text{total coverage in eHRP}}\]

通过这种样本内对比的方式，Fate-AI 提取的特征不再是绝对值，而是相对差异。这种设计理念使得特征在很大程度上摆脱了不同批次、不同测序平台带来的系统性偏移，从而极大地提升了模型的鲁棒性和泛化能力。

2.3 预测模型的构建

作者将提取出的所有片段组学和甲基化特征合并，作为输入特征矩阵。然后，使用弹性网络（elastic net）逻辑回归模型进行分类。弹性网络能够同时进行特征选择和正则化，非常适合处理高维数据。

在同队列（matched-cohort）场景中，采用100次重复的10折交叉验证来稳健地评估模型性能。在跨队列（cross-cohort）场景中，在一个队列上训练模型，然后在另一个完全独立的队列上进行测试，以严格评估模型的泛化能力。

3. 实验分析

作者在一个包含1219个样本（10种癌症）、由内部生成和外部公开数据组成的大型队列中，对 Fate-AI 进行了系统性的评估。

3.1 探索性分析：片段长度的生物学信号与技术噪音

3.2 Fate-AI在肿瘤未知癌症检测中的超高灵敏度

作者通过计算机模拟（in silico admixtures）和体外实验稀释系列，评估了 Fate-AI 在极低肿瘤分数下的检测灵敏度。

这些结果证明，Fate-AI 仅使用片段组学特征，就能达到 $10^{-3}$ 到 $10^{-5}$ 级别的超高检测灵敏度，这对于 MRD 监测等应用至关重要。

3.3 Fate-AI在真实世界队列中的卓越性能

作者在涵盖乳腺癌（BC）、CRC、肺癌等多种癌症的真实世界队列中，将 Fate-AI 与 Delfi、Griffin 和 IchorCNA 等 state-of-the-art 方法进行了头对头比较。

3.4 Fate-AI在纵向疾病监测中的应用

3.5 Fate-AI在组织来源识别中的应用