细胞游离DNA (cfDNA)分析有望早期发现肺癌，有利于提高患者的生存率。然而，以往基于cfDNA的研究的检测灵敏度仍然较低，不足以满足临床应用，特别是对早期肿瘤。
2022年11月8日，南京医科大学尹荣团队在American Journal of Respiratory and
Critical Care Medicine（IF=31）在线发表题为“Multi-dimensional cell-free DNA fragmentomic
assay for detection of early-stage lung cancer”的研究论文，该研究通过整合cfDNA片段组学和机器学习模型，建立了一种准确和负担得起的早期肺癌检测方法。一个堆叠集成模型集成了五个cfDNA特征和五个机器学习算法构建的训练队列(癌症：113，健康：113)优于所有建立在单个特征-算法组合上的模型。
该集成模型在队列验证I(曲线下面积，AUC：0.984)灵敏度高达91.4%，特异性为95.7%；队列验证II(曲线下面积，AUC：0.987)灵敏度高达84.7%，特异性为98.6%；附加验证(AUC：0.974)灵敏度高达 92.5%，特异性为 94.2%。当测序深度为0.5×(AUC：0.966-0.971)时，模型的高性能保持一致。此外，该研究的模型对识别早期病理特征非常敏感(对I期的敏感性为83.2%，对<1cm的肿瘤的敏感性为85.0%，临界值为0.66)。总之，该研究利用cfDNA片段组学特征建立了堆叠集成模型，对早期肺癌的检测具有较高的敏感性，可促进早期诊断，使更多患者受益。
早期发现有利于肺癌患者提高生存率，但大多数患者直到转移已经发生才被诊断出来。近年来，液体活检中游离DNA (cfDNA)分析技术的发展为肺癌的诊断提供了广阔的前景。然而，提高基于cfDNA的检测方法的检测性能，特别是对早期肺癌的检测，对于利用其应用至关重要。不幸的是，只有大约16%的患者在局部阶段被诊断。尽管放射学方法，如低剂量计算机断层扫描(LDCT)测试，可以减少
20%的癌症相关死亡，但由于高假阳性率、辐射诱发的癌症风险和金钱成本，它们的使用受到限制。需要开发一种可靠的非侵入性方法，以准确和经济高效的方式检测早期肺癌。
验证队列的模型说明和诊断性能评估（图源自American Journal of Respiratory and Critical Care Medicine ）
在本研究中，建立了一个用于早期非小细胞肺癌(NSCLC)稳健检测的多维堆叠集成模型。该模型综合了cfDNA的5个片段组学特征和5个机器学习基础模型，利用全基因组测序数据达到了较好的检测能力。该研究证明，预测模型对检测早期NSCLC病理特征是高度敏感的。在低测序深度至0.5×的情况下，其性能的一致性特别适合于可负担的肺癌早期筛查。https://www.atsjournals.org/doi/abs/10.1164/rccm.202109-2019OC微信加群
iNature汇集了4万名生命科学的研究人员及医生。我们组建了80个综合群（16个PI群及64个博士群），同时更具专业专门组建了相关专业群（植物，免疫，细胞，微生物，基因编辑，神经，化学，物理，心血管，肿瘤等群）。温馨提示：进群请备注一下（格式如学校+专业+姓名，如果是PI/教授，请注明是PI/教授，否则就直接默认为在读博士，谢谢）。可以先加小编微信号（iNature5），或者是长按二维码，添加小编，之后再进相关的群，非诚勿扰。
投稿、合作、转载授权事宜
请联系微信ID：18217322697 或邮箱：921253546@qq.com
觉得本文好看，请点这里！
