目前中科院認(rèn)可的期刊越來越少，數(shù)據(jù)挖掘的不夠充分是達(dá)不到優(yōu)質(zhì)期刊的門檻兒的。今天教大家純生信分析方法挖掘生物標(biāo)志如何發(fā)高分。

小谷今天又找到一篇挖掘生物標(biāo)志的高分文章，該文使用了基因組學(xué)、生物信息學(xué)和統(tǒng)計(jì)學(xué)分析以及機(jī)器學(xué)習(xí)分析的方法?(ps:之前已經(jīng)小谷介紹過一篇聯(lián)合分析的，今天又來啦！)。今天這篇沒有取交集的操作，非常硬核的生信挖掘，只是使用機(jī)器學(xué)習(xí)算法構(gòu)建了個分類器，用的數(shù)據(jù)集不多，為新的藥物研發(fā)以及轉(zhuǎn)移性疾病的臨床治療等方面提供了有力支持。

題目：cfDNA甲基化作為SWOG S1314肌層浸潤性膀胱癌患者新輔助化療反應(yīng)的預(yù)測生物標(biāo)志物

雜志：European Urology Oncology

影響因子：IF=8.208

發(fā)表時間：2023年4月

研究背景

新輔助化療(Neoadjuvant chemotherapy, NAC)是肌層浸潤性膀胱癌(Muscle invasive Bladder Cancer, MIBC)的標(biāo)準(zhǔn)治療。然而，治療強(qiáng)度大，總體效益小，因此需要有效的生物標(biāo)志物來確定收益。

數(shù)據(jù)來源

研究思路

作者首先72 名患者中采集了血液樣本，通過Infinium MethylationEPIC BeadChip平臺進(jìn)行DNA甲基化水平分析，并結(jié)合隨機(jī)森林模型(Random Forest, RF)和Elastic Net進(jìn)行分類器構(gòu)建。通過在基線信息中添加治療數(shù)據(jù)來構(gòu)建mR-score(methylation-based response score)，預(yù)測NAC的響應(yīng)概率，并確定了一種結(jié)合mR-score和循環(huán)膀胱DNA fraction的風(fēng)險分層模型，以預(yù)測NAC響應(yīng)。

主要結(jié)果

1.樣本采集流程以及患者特征作者使用S1314中73名患者的pre-NAC blood，這些患者在試驗(yàn)中接受了基于順鉑NAC，隨后進(jìn)行了膀胱切除術(shù)以確定他們在試驗(yàn)中的病理反應(yīng)如圖1所示。圖1也總結(jié)了臨床病理特征。所有特征（性別、年齡、臨床分期、體能狀態(tài)和cfDNA(cell-free DNA)濃度）均與病理反應(yīng)顯著相關(guān)。

? ? ? ???

2.使用mR-score評估NAC反應(yīng)生物標(biāo)志物

作者選擇DML(differentially methylated loci)在DMR(differentially methylated regions)中的NR中甲基化程度較低的DML作為機(jī)器學(xué)習(xí)的starting point。使用NR(less methylated in NR, lmNR)DML中甲基化程度較低的前500個，我們發(fā)現(xiàn)t分布隨機(jī)鄰域嵌入(t-distributed stochastic neighbor embedding, tSNE)圖將Rs聚集在遠(yuǎn)離NR的位置（圖2A）。隨后使用重采樣程序來計(jì)算每個樣本的mR-scores。該mR-scores通過比較Rs和NRs之間的甲基化特征進(jìn)行訓(xùn)練，旨在預(yù)測NRs的概率。因此，高mR-scores與無反應(yīng)相關(guān)，而低mR-scores與反應(yīng)相關(guān)。作者首先創(chuàng)建了十個隨機(jī)選擇的62個樣本訓(xùn)練集，其中不包含感興趣的患者。在訓(xùn)練集中選擇DML并用于訓(xùn)練RF模型。每個訓(xùn)練模型都提供一個預(yù)測分?jǐn)?shù)，每個患者的mR-scores被確定為十個訓(xùn)練模型的預(yù)測分?jǐn)?shù)的中值。使用RF模型預(yù)測R與NR，獲得了接受者操作特征(ROC)曲線下面積(AUC)為0.636。還觀察到漸進(jìn)相關(guān)性，中位mR-scores在CR中最低，在PR中較高，在NR中最高（圖2B）。進(jìn)一步觀察到兩種化療方案具有相似的預(yù)測能力（圖2C）作者還使用了ElasticNet（機(jī)器學(xué)習(xí)算法模型），構(gòu)建分類器并獲得相似的結(jié)果。在mR-scores和基于彈性網(wǎng)絡(luò)的預(yù)測分?jǐn)?shù)之間觀察到很強(qiáng)的相關(guān)性（圖2D）

3.治療中期的?mR-scores與反應(yīng)相關(guān)作者對57個治療樣本的cfDNA甲基化數(shù)據(jù)進(jìn)行了分析，并使用在72個預(yù)處理樣本上訓(xùn)練過的RF模型分配了mR-scores。治療中期mR-scores的表現(xiàn)略好，AUC為0.720。治療前和治療中mR-scores之間也存在顯著相關(guān)性（圖3A）。同樣，根據(jù)mR-scores觀察到對兩種化療方案的相似預(yù)測能力（圖3B）。

4. 使用循環(huán)膀胱 DNA fraction和 mR-scores預(yù)測 NAC 反應(yīng)的組合風(fēng)險分層模型作者用基于組織特異性甲基化模式估計(jì)cfDNA(circulating tumor DNA)組織來源相對流行率的方法(ps:他人的研究基礎(chǔ))計(jì)算循環(huán)膀胱DNA fraction，并可以作為膀胱ctDNA的替代指標(biāo)。比較來自CR、PR和NR的樣本中的循環(huán)膀胱DNA fraction時，觀察到循環(huán)膀胱DNA ?fraction逐漸增加（圖4A）。在Rs中，84%的循環(huán)膀胱DNA<1.11%，結(jié)果表明低循環(huán)膀胱DNA對識別NACRs具有高敏感性。觀察到循環(huán)膀胱DNA fraction與治療前mR-scores之間沒有線性相關(guān)性（圖4B）。鑒于這兩個候選生物標(biāo)志物相互獨(dú)立，作者提出并測試了一種風(fēng)險分層模型，該模型結(jié)合了治療前循環(huán)膀胱DNA fraction和mR-scores，然后結(jié)合治療中的mR-scores對中度風(fēng)險患者進(jìn)行分層，之后作者選擇Youden指數(shù)作為這三項(xiàng)指標(biāo)的臨界值，并根據(jù)患者相對于這些臨界值的測試值將患者分配到風(fēng)險組（圖4C-E）。在該隊(duì)列中，所提出的模型的總體預(yù)測準(zhǔn)確性為79%。? ? ? ? ?

? ? ? ? ?

文章小結(jié)

這篇文章篇幅不長，研究的點(diǎn)很好，主要亮點(diǎn)就是給出血漿cfDNA甲基化法的應(yīng)用案例，為新的藥物研發(fā)以及轉(zhuǎn)移性疾病的臨床治療等方面提供了有力支持。?(ps：在他人的研究基礎(chǔ)上找出研究方向)。有一個好的研究目標(biāo)非常重要，機(jī)器學(xué)習(xí)算法構(gòu)建分類器也是常規(guī)操作了。(ps：未來小谷還會推送相關(guān)的文章趕快關(guān)注小谷吧！)