利用红细胞DNA特征早期检测胃癌：多中心验证研究
Early detection of gastric cancer using DNA features in red blood cells, with multicenter validation.
一句话红细胞DNA特征分类器在多中心验证中检测胃癌的敏感度为83%-90%，I期为82%-89%。
研究问题
数据与样本
分析流程
- 1样本采集与测序：采集胃癌患者及良性胃部疾病对照的1-2 mL外周血，对rbcDNA进行浅层全基因组测序。
- 2特征识别：在发现队列中识别1,000个可重复、能够区分胃癌与非癌状态的rbcDNA读段深度特征。
- 3模型训练与阈值设定：对胃癌相关rbcDNA特征降维后训练机器学习分类器，并将截断值固定在特异度为90%的水平。
- 4内部评估与测试：在发现队列中进行嵌套交叉验证，并在测试队列中评估分类器的AUC。
- 5多中心验证：在3个独立多中心验证队列中评估总体及I期胃癌的检测敏感度。
- 6补充鉴别评估：评估分类器区分早期胃癌与癌前病变、其他肿瘤的能力，以及对肿瘤标志物阴性胃癌的检出情况。
关键方法与工具
- shallow whole-genome sequencing
- 分析rbcDNA全基因组特征
- machine learning classifier
- 基于DNA特征识别胃癌
- nested cross-validation
- 评估发现队列模型性能
设计思路
主要发现
- 发现队列中识别出1,000个可重复、可区分胃癌与非癌状态的rbcDNA读段深度特征。
- 分类器在发现队列嵌套交叉验证中的AUC为84%，在测试队列中的AUC为95%。
- 在3个基于医院的多中心验证队列中，总体敏感度为83%-90%，I期胃癌敏感度为82%-89%。
- 补充鉴别评估显示，分类器可区分早期胃癌与癌前病变及其他肿瘤，并检出肿瘤标志物阴性胃癌病例中的∼80%。
可借鉴之处
- 建立血液诊断模型时，可借鉴本文纳入良性胃部疾病对照的做法，评估模型对临床相关非癌状态的鉴别能力。
- 可借鉴“发现队列训练并固定阈值—测试队列评估—独立多中心验证”的流程，避免在验证队列中重新选择截断值。
- 除总体性能外，单独报告早期病例和现有肿瘤标志物阴性病例的表现，更有助于判断新标志物的早期检测价值。
数据与代码
局限
- 验证队列基于医院，其性能尚不能直接等同于一般人群筛查场景中的表现。
摘要（中文翻译）
背景：胃癌（GC）的早期检测受限于内镜检查的侵入性和血液生物标志物敏感度不足。红细胞（RBCs）是循环中数量最多的细胞，虽然没有细胞核，但可保留与病理应激相关的DNA残留片段。在此，我们报告一种基于红细胞内保留的DNA残留片段（rbcDNA）全基因组分析的无创GC检测策略。
方法：我们对865名个体的1-2 mL外周血中提取的rbcDNA进行了浅层全基因组测序，其中包括434例未经治疗的GC患者和431例患有良性胃部疾病的非GC对照。在发现队列中，我们识别出1,000个可重复的rbcDNA读段深度特征，可区分GC与非癌状态。基于降维后的GC相关rbcDNA特征，在发现队列（n = 435）中训练机器学习分类器，将截断值固定在特异度为90%的水平，并在测试队列（n = 109）和3个独立的多中心验证队列（n = 321）中进行评估。
结果：分类器在发现队列的嵌套交叉验证和测试队列中的受试者工作特征曲线下面积（AUCs）分别为84%和95%。在3个基于医院的多中心验证队列中，性能保持一致，总体敏感度为83%-90%，I期GC的敏感度为82%-89%。此外，该分类器可将早期GC与癌前病变及其他肿瘤区分开来，并检出肿瘤标志物阴性的GC病例中的∼80%。
结论：这些发现表明，rbcDNA具有作为早期GC无创检测生物标志物的潜力。
资助：本研究获得浙江省重点研发计划（2026C02A1176和2024C03170）支持。
英文原文摘要
Background:Early detection of gastric cancer (GC) is limited by invasive endoscopy and poor sensitivity of blood-based biomarkers. Red blood cells (RBCs), the most abundant cells in the circulation, are anucleate but can retain DNA remnants that have been associated with pathological stress. Here, we report a non-invasive strategy for GC detection based on genome-wide profiling of DNA remnants retained in RBCs (rbcDNA).
Methods:We performed shallow whole-genome sequencing of rbcDNA from 1-2 mL of peripheral blood of 865 individuals, including 434 treatment-naive GC patients and 431 non-GC controls with benign gastric conditions. In the discovery cohort, we identified 1,000 reproducible rbcDNA read-depth features distinguishing GC from non-cancer states. A machine learning classifier based on dimensionally reduced GC-associated rbcDNA features was trained in the discovery cohort (n = 435), with the cutoff fixed at 90% specificity, and evaluated in a test cohort (n = 109) and three independent multicenter validation cohorts (n = 321).
Findings:The classifier achieved the areas under the receiver operating characteristic curve (AUCs) of 84% in nested cross-validation of the discovery cohort and 95% in the test cohort. Across three hospital-based multicenter validation cohorts, performance remained consistent, with 83%-90% overall sensitivity and 82%-89% sensitivity for stage I GC. Additionally, the classifier distinguished early-stage GC from precancerous lesions and other tumors and detected ∼80% of GC cases negative for tumor markers.
Conclusions:These findings demonstrate the potential of rbcDNA as a non-invasive biomarker for early-stage GC detection.
Funding:This work was supported by the Key Research and Development Program of Zhejiang Province (2026C02A1176 and 2024C03170).
摘要来自 PubMed。翻译与解读由模型根据摘要生成，可能有误，不构成诊疗建议；数据以原文为准，版权归原出版方所有。