cfDNA fragmentomics分析：WGS低深度测序(4

2023-12-01 本文已影响0人信你个鬼

还是那家公司：Geneseeq Research Institute, Nanjing Geneseeq Technology Inc., Nanjing, Jiangsu, China
前面已介绍同一家公司的文章有：
肺癌早筛：cfDNA fragmentomics分析-cfDNA片段多组学肺癌早筛研究 https://mp.weixin.qq.com/s/hG8pWgWEvlHTZaT6i4TlmQ
结直肠癌：cfDNA fragmentomics分析-多维片段组学方法对结直肠晚期腺癌和腺瘤早期检测 https://mp.weixin.qq.com/s/rNyhlm9IaT2MHjbUFlpfVQ

熟悉的配方，只不过这次是肝癌，还是看看在肝癌里面的效果吧。

原发性肝癌（PLC），包括HCC、肝内胆管癌（ICC）和联合HCC-ICC（cHCC-ICC）的早期检测对患者的生存至关重要。本研究旨在开发一种准确、经济的方法，利用cfDNA片段组学谱早期检测和鉴别ICC和HCC。嗯，这个除了区分健康样本和癌症样本，还可以区分ICC和HCC？？？

文献基本假设

cfDNA的研究为实体恶性肿瘤的诊断提供了一种无创的方法，如液体活检中的PLC。cfDNAs代表了从细胞凋亡和坏死释放到人体体液中的细胞外DNA片段，如血浆，因此携带了来自细胞和组织来源的遗传和表观遗传信息。
cfDNA features有以下这些：FSR、FSD

Fragment Size Ratio (FSR) 和 Fragment Size Distribution (FSD)

FSR定义：the short, intermediate, and long fragments were defined as 65–150 bp, 151–220 bp, and 221–400 bp, according to the overall fragment lengths profile，将genome-wide按照5 Mb bins进行分窗，得到572 bins，最后得到1716 (572 bins × 3) FSR个特征
FSR特征检测了整个人类基因组中不同大小片段的比例，因为cfDNA片段在癌症患者的血浆样本中可能异常短和长。对每个样本中的FSR，进行Z Score标准化，并作为模型训练的输入。
FSD定义：FSD通过将范围为65 bp and 400 bp的cfDNA片段以5 bp的窗口进行划分([400 - 65]/5 = 67 bins)，检测了更高分辨率的片段长度模式。利用每个染色体臂水平上每个bin中片段的比例计算FSD。总共有41 chromosome arms，生成2747 (41 arms × 67 bins)个FSD特征，并进行Z score标准化作为模型训练的输入。

这两个特征如下：

image-20231007014753859.png

文献思路设计如下：

训练集362个样本：192个癌症样本，170个对照样本；
测试集354个样本：189个癌症样本，165个对照。

image-20231007015121654.png

分析步骤：

这个文章只用了两个片段组学的特征FSR、FSD
模型输入：A total of 4463 features, including the FSR (572 × 3 = 1716 features) and FSD (41 × 67 = 2747 features) profiles。
[图片上传中...(image-20231202125812210.png-9c808a-1701496046223-0)]

image-20231007015150328.png

主要结果

第一个模型是区分PLC与对照样本，用的4X coverage WGS data。

the stacked model模型比单一指标FSR或FSD构建的预测模型结果好：

As shown in Figure S1, the stacked model showed superior AUC (0.995; 95% CI, 0.989–1.000) than both base models using FSR (0.993; 95% CI, 0.983–1.000) and FSD (0.991; 95% CI, 0.984–0.998)
The stacked model also exhibited a higher sensitivity for PLC detection (96.8%; 95% CI, 93.2%–98.8%) comparing with the base models (FSR, 93.7%; 95% CI, 89.2%–96.7%; FSD, 84.1%; 95% CI, 78.1%–89.0%) (Table S2)

测试集中的结果

image-20231202125812210.png

image-20231202125846332.png

训练组和测试组的片段组学特征热图。按不同重要性排列的前100个特征的热图：

image-20231202130003087.png

区分不同Subgroup

感觉这块关于样本使用文章描述的不是很清楚，每一个亚型都有3个以上的标签，而预测模型一般都是二分类。这些指标高的离谱啊。

image-20231202130702804.png

测试集中不同亚群的敏感性评估结果：

image-20231202131014683.png

Model differentiating HCC and ICC

前面提到了模型可以预测HCC与ICC。文章构建了一个独立的预测模型，使用the 159 HCC and 26 ICC from the training cohort，使用evaluated using the 157 HCC and 26 ICC from the test cohort。结果：AUC of 0.776 (95% CI, 0.677–0.874)。

文章没有独立的验证数据集。

数据分析部分

cfDNA extraction：QIAamp Circulating Nucleic Acid Kit (Qiagen)
cfDNA concentrations检测：Qubit dsDNA HS Assay Kit (Thermo Fisher Scientific)
WGS libraries构建：KAPA Hyper Prep Kit (KAPA Biosystems)，In brief, 5–10 ng of cfDNA per sample was subjected to end-repairing, A-tailing, and ligation with adapters sequentially
libraries quantify：KAPA SYBR FAST qPCR Master Mix (KAPA Biosystems)
测序：paired-end sequencing on NovaSeq platforms (Illumina)
fq数据过滤：Trimmomatic
比对：BWA，GRCh37/UCSC hg19
PCR duplicates removal：Picard toolkit (http://broadinstitute.github.io/picard/)
样本最终测序深度：4.45X to 24.04X (median coverage 9.935X)
down-sampled：不同样本测序深度不一样，对每个样本降采样至统一的4X，这是按了最低下限
分析片段组学特征：Fragment Size Ratio (FSR)、Fragment Size Distribution (FSD)

迷惑点：他们的数据测序深度总是浮动很大，这个我不太理解，是原始数据测的应该差不多，然后每个样本质量情况不太一样导致后面过滤相差很大吗？原始数据测了多少也没公布过呀！

文献信息：

Hepatology. 2022 Aug;76(2):317-329. doi: 10.1002/hep.32308. Epub 2022 Jan 26.
Ultrasensitive and affordable assay for early detection of primary liver cancer using plasma cell-free DNA fragmentomics