Nature Communications | 基于简并甲基化技术的原发灶不明肿瘤溯源模型（BELIVE）的建立

近日，由杭州市第一人民医院张仕蓉主任、杭州市肿瘤医院首席专家马胜林教授牵头，联合中国科学院健康与医学技术研究所谷红仓教授、分子细胞科学卓越创新中心石建涛研究员、浙江省肿瘤医院朱欣副主任及国内多家三甲医院肿瘤科专家，在国际知名期刊Nature Communications（IF=16.6）在线发表了“DNA methylation profiling to determine the primary sites of metastatic cancers using formalin-fixed paraffin-embedded tissues”的研究。研究团队利用简化甲基化测序技术（RRBS），优化了针对石蜡包埋FFPE样本RRBS建库方法，基于机器学习及大样本多中心的系统评估，成功建立了原发灶不明肿瘤溯源模型（BELIVE）及新型诊断方法。

第一作者：张仕蓉，通讯作者：马胜林

研究背景

原发灶不明肿瘤（CUP）是指经病理检查确诊为恶性肿瘤，但是其原发部位经影像、病理、生化等检查仍难以确定的一类肿瘤，占癌症病例的3-5%，发病率位列第7，死亡率位列第4。具有发病隐匿、早期转移、侵袭性强的特点，患者中位生存少于11个月，死亡率明显高于基于原发部位进行针对性治疗的肿瘤患者。因此，准确识别肿瘤的原发部位，对指导原发灶不明肿瘤患者的临床诊疗至关重要。基于“转移组织保留了原发部位分子特征”的理论，既往研究利用qRT-PCR或微阵列技术检测转移性肿瘤原发部位的方法，检测准确率从52.5%到87%不等，尤其是针对RNA高度降解的FFPE样本在实际临床应用中具有较大挑战。

研究设计

本研究共纳入789名癌症患者，覆盖了10种常见恶性肿瘤，并建立了4个独立队列进行模型建立及验证。

图1：研究流程图

CUP分类器的构建和评估

498例10种常见肿瘤患者原发灶（收集其FF样本）作为训练集队列，215转移性肿瘤患者的转移灶（收集其FFPE样本）作为验证集队列。整合4种甲基化评分方法（Beta、CHALM、MHL、PDR）和7种机器学习方法（Adaboost、KNN、LGR、LinearSVC、NB、RF、SVM），构建了28个分类器。基于Beta值的LinearSVC分类器——BELIVE，综合性能最佳，总体预测准确率为81%，AUC值为0.95。对所有肿瘤的Top-3预测准确率93%，灵敏度为0.92。

图2：28个分类器预测性能的比较及BELIEVE分类器的预测性能

外部队列验证BELIVE分类器的性能

使用来自TCGA数据库的4702例患者的微阵列数据来评估BELIVE分类器的性能。除胃癌（0.64）外，BELIVE分类器对所有肿瘤类型的预测准确率均不小于0.91。对所有癌症的Top-1总体预测准确率为92%，AUC值为0.99；Top-3总体预测准确率高达98%，AUC值为0.99。

图3.BELIEVE分类器在TCGA DNA甲基化微阵列数据集上的性能

BELIVE分类器对CUP患者原发组织的预测性能

使用68例CUP患者的FFPE样本对BELIVE分类器进行了验证。BELIVE分类器Top-1预测准确率为81%（55/68），Top-3预测准确率约为93%（63/68）（表2）。

表2.BELIEVE分类器对68名CUP患者的预测准确率

临床价值及意义

基于优化的简并甲基化技术及机器学习方法构建的BELIVE模型及诊断方法可以有效识别原发灶不明肿瘤的的原发部位，帮助临床制定针对性治疗方案，为CUP患者带来生存获益。后续研究团队计划将更多肿瘤类型纳入BELIVE溯源模型，以进一步扩大BELIVE模型的临床应用，并即将启动基于BELIVE模型的原发灶不明肿瘤治疗的临床研究（ChiCTR2300073699），进一步明确BELIVE模型的临床应用性能。

本文作者

打赏