约翰斯·霍普金斯基梅尔癌症中心研究人员开发的机器学习模型可过滤液体活检样本中的生物学噪声，帮助临床医生更精准地为患者肿瘤匹配治疗方案。
该研究于5月1日发表在《临床癌症研究》期刊，部分资金由美国国立卫生研究院提供。
液体活检通过分析血液样本中肿瘤释放的循环游离DNA片段来识别实体瘤突变，使临床医生能够选择靶向突变的治疗方案。然而，液体活检也可能检测到因克隆性造血（一种与衰老相关的生理过程）而在白细胞中积累的突变。这些白细胞突变在老年人以及既往接受过化疗或放疗的患者中较为常见。
论文共同第一作者、约翰斯·霍普金斯大学医学院肿瘤学助理教授詹娜·坎佐尼耶罗医学博士、理学硕士解释道：“进行液体活检并收到报告后，若发现突变，无法确定这些突变源自肿瘤还是白细胞。若需选择靶向突变的抗癌药物，必须确保针对的是肿瘤突变而非白细胞突变。”
为解决此问题，坎佐尼耶罗及其分子肿瘤学实验室团队开发了名为plasmaCHORD的机器学习模型。该模型利用DNA片段特征来判断液体活检中发现的突变是源于肿瘤还是白细胞。坎佐尼耶罗指出，肿瘤DNA片段与白细胞DNA片段的“断裂方式”存在差异，形成独特的“循环游离DNA片段化特征”，模型同时结合患者年龄、基因类型及突变类型等因素进行分析。
研究团队使用225名乳腺癌、结直肠癌、食管癌、卵巢癌或非小细胞肺癌患者的液体活检样本训练该模型，并通过匹配的患者肿瘤细胞与白细胞基因测序验证突变真实来源。随后，团队在另一机构的114名乳腺癌、前列腺癌或非小细胞肺癌患者样本（采用不同液体活检测序平台）中进行测试，证实模型在区分突变来源方面具有同等准确性。特别是针对临床相关突变，该模型将正确区分肿瘤与白细胞突变的能力从约50%提升至83%。
研究团队还通过约翰斯·霍普金斯分子肿瘤委员会的实际案例证明，plasmaCHORD对突变来源的预测可帮助临床医生避免为患者选择可能无效的治疗方案。
资深作者、约翰斯·霍普金斯大学医学院肿瘤学Alex Grass讲席教授兼分子肿瘤委员会负责人瓦拉萨莫·阿纳格诺斯图医学博士、理学硕士表示：“约三分之一在未经肿瘤验证的液体活检中检测到的突变可能源自白细胞，而我们为每位患者匹配靶向治疗的能力取决于区分肿瘤突变与生物学噪声的水平。应用于标准液体活检测试的人工智能模型既具临床价值又可快速推广。”
坎佐尼耶罗补充道：“plasmaCHORD未来可用于研究甚至临床场景，当无法确定液体活检中突变的来源时发挥作用。我们正考虑开发性能更优的新版本。”
本研究其他合著者包括约翰斯·霍普金斯大学的丹尼尔·拉比扎德、伊利亚斯·齐亚卡斯等研究人员，以及范德堡大学、LabCorp、荷兰癌症研究所和乌得勒支大学医学中心的学者。
研究部分获得美国国家癌症研究所（资助编号：5T32CA009071-40等）、国防部、布隆伯格-基梅尔癌症免疫治疗研究所等机构支持。坎佐尼耶罗声明研究期间获得美国国立卫生研究院等多项资助，并有相关算法专利申请中；阿纳格诺斯图声明获得阿斯利康等公司资助及多项专利申请，所有利益冲突均按约翰斯·霍普金斯大学政策管理。
【全文结束】