【BMC Medicine】福建省肿瘤医院徐沁团队：揭示无创早期筛查子宫内膜癌新方法！

2024年7月29日， 福建省肿瘤医院徐沁团队在期刊《BMC Medicine》上发表了题为“Early detection of uterine corpus endometrial carcinoma utilizing plasma cfDNA fragmentomics”的研究论文。本研究提出了一种使用cfDNA片段组学和机器学习，进行UCEC早期检测的新方法，显示出有希望的灵敏度和特异性。在临床实践中，使用这种模型，可以显著改善UCEC的管理和控制，从而实现早期干预和更好的患者结果。

https://bmcmedicine.biomedcentral.com/articles/10.1186/s12916-024-03531-8

研究背景

 01 

子宫体子宫内膜癌（Uterine corpus endometrial carcinoma， UCEC）是一种常见的妇科恶性肿瘤，也是女性癌症相关发病的主要原因。诊断为I/II期子宫内膜癌的患者，5年生存率通常在82%-90%之间；而诊断为III/IV期的患者，5年生存率显著下降至34%-42%。因此，准确的初步诊断和及时治疗，是子宫内膜癌治疗的关键。早期发现UCEC允许利用微创手术技术，减少辅助治疗的必要性，从而降低医疗成本、发病率和死亡率。 然而，目前还没有足够准确和可靠的UCEC早期检测，可以应用于疑似UCEC的高危女性。因此，开发一种精确、无创的子宫内膜癌诊断方法，具有重要意义。

外周血采集是一种微创手术，其作为一种通过提供循环肿瘤标志物的遗传信息，早期检测多种实体恶性肿瘤的新方法，已经浮出水面。然而，关于子宫内膜癌的早期诊断，仅通过对血液中循环肿瘤成分的基因测序来诊断这种疾病的技术，尚未得到充分开发和优化。

目前，血浆cfDNA片段组学已应用于许多实体恶性肿瘤，以提高诊断精度。最近，研究的重点集中在cfDNA的核小体足迹上，其成功地鉴定了患者特异性和肿瘤特异性模式，具有相当高的准确性。

在本研究中，团队开发了一个强大的机器学习模型，该模型利用低覆盖率的全基因组测序和源自cfDNA片段组学的广泛全基因组特征，来区分UCEC和健康状况。本研究的主要目的，是为UCEC检测提供一种高度敏感且具有成本效益的模型，这可能在UCEC的管理和控制方面，产生巨大的临床优势。

研究进展

 02 

片段组学模式在UCEC癌症中的生物学意义

团队研究了片段组学模式，在UCEC癌症中的生物学意义。团队观察到，拷贝数变异（CNV）特征的全基因组变异。值得注意的是，这些CNV特征中，有很大一部分表现出统计学上的显著差异（调整后的P值为0.05<）。片段大小分布（FSD）分析，揭示了片段长度模式，即使在染色体臂水平上也具有显著的分辨率。FSD特征指出染色体臂上的分布，存在显著差异，染色体 1、10、6、11 和 17 有显著改变。这些染色体与TCGA-UCEC数据库中突变频率最高的前10条染色体中的5条，有趣地对齐。这种相关性暗示了UCEC中，被破坏的核小体组织与易突变的基因组区域之间，可能存在的相互作用。

此外，团队共选择了104个在UCEC患者与健康对照组中，表现出不同特征的NF特征。与健康参与者相比，在UCEC患者中，发现了许多与癌症和免疫反应相关的途径，例如，癌症中的转录失调、病毒或化学致癌作用，以及Th17细胞分化。与癌症和免疫反应相关的通路的富集，在UCEC的各个阶段是一致的；表明无论疾病进展如何，某些关键的致病过程，都会持续被破坏。这些发现强调了研究中使用的NF特征的生物学相关性，表明所识别的碎片组学模式不仅仅是数字抽象，而是深深植根于癌症发展和进展的复杂生物学基础。

A UCEC患者和健康对照组中，1 Mb bins中CNV的比率。B 小提琴图显示了UCEC和健康参与者中，每个染色体臂的FSD分布差异。C KEGG通路富集分析对应于NF特征的基因，这些基因在UCEC患者与健康对照组中表现出不同的特征。

评估癌症检测的分析前和生理变量

团队还评估了血液采集和分析前，生理变量对分类器结果的影响。对健康和受癌症影响的参与者，进行重复采血，始终产生可重复的结果。PPA非常稳定，为100.0%，95%置信区间在统计学上，介于67.6%和100.0%之间。在健康参与者的情况下，样本的运输条件（无论是在24小时、48小时，还是72小时内运输，无论它们是在室温下储存还是用冰袋储存），都不会影响检测结果。所有样品均与参考条件一致，定义为收集后2小时内的状态。这反映在PPA为100.0%，95%置信区间范围为51.0至100.0%。此外，不同时间（3天、7天、1个月）冷冻的样品与参考条件的一致性程度，与非冷冻样品相同，PPA为100.0%，95%置信区间为56.6%至100.0%。然而，冷冻6个月的样本偏离了这种模式，显示出更高的风险评分，从而成为一个积极的信号。这些样品的PPA为60.0%，95%置信区间范围为23.1%至88.2%。其生理状况，包括餐前和餐后，以及运动前后的状态，对检测结果没有影响。这些条件下的所有样品，均与参考条件一致，PPA为100.0%，95%置信区间范围为51%至100%。这表明无论各种生理和分析前条件如何，检测结果都具有高水平的稳健性和可靠性。

A UCEC和健康参与者的重复测试分数。B 各种运输条件对健康参与者测试结果的影响。C 冻结时间对健康参与者测试结果的影响。D 生理状况（饭前和饭后以及运动前后的状态）对测试结果的影响。

研究结论

 03 

在本研究中，团队首先开发并评估了一种使用cfDNA片段组学特征，检测UCEC的分类器。它可以有效地区分癌症患者和健康受试者，假阳性率最低，比传统的经阴道超声检查，具有明显更高的特异性，并且比循环肿瘤DNA方法，具有更高的敏感性。与健康个体相比，在UCEC患者中观察到的癌症评分显著更高，这进一步支持了分类器的稳健性和准确性。重要的是，该分类器在早期检测UCEC方面表现出显著的灵敏度，在I期患者中的灵敏度为96.4%。此外，对UCEC诊断阶段变化的预测表明，该模型可以识别大约20%的早期UCEC患者，有望提高患者的5年生存率。

在本研究中，该测试旨在以5X的平均测序深度为目标，同时，考虑了实际应用中的成本效益和数据均匀性。为了确保所有样本的一致性，并确保模型基于遗传数据而不是测序过程的伪影（即测序覆盖率的变化）进行预测，团队选择对覆盖率高于5 ×的任何样本进行下采样，固定深度为5 ×。值得注意的是，在不同的原始测序深度下，使用数据训练的模型在更高的深度上，并没有显示出性能的提高。即使在低于此阈值的测序深度下，也有可能获得可靠的结果。具体来说，虽然FSD和NF等单个模型在测序深度降低时，表现出变异性和性能下降，但团队的集成模型表现出卓越的弹性，始终保持可靠的检测。

该方法可以提高早期UCEC的检出率，与标准护理下晚期疾病的检出率相比，有望将5年生存率从84%提高到95%。然而，这些发现是推测性的，并且基于数学模型，而不是临床结果。因此，该模型对患者结果的影响，需要在更大、更多样化的临床环境中，进行彻底的验证。为了解决样本处理和测序变化，可能导致的批次效应，团队建立了一个基于患者入组和样本采集时间的独立验证集。这一措施对于减少混杂影响，并确保模型在时间不同的数据集上，进行训练和验证至关重要，这些数据集更准确地反映了临床环境中存在的可变性。多中心研究设计，将是未来研究的理想选择，可以为该模型的性能提供更多样化和全面的评估。

参考资料：

1.Siegel RL, Miller KD, Fuchs HE, Jemal A. Cancer statistics, 2022. CA Cancer J Clin. 2022;72(1):7–33.

2.Makker V, MacKay H, Ray-Coquard I, Levine DA, Westin SN, Aoki D, et al. Endometrial cancer. Nat Rev Dis Primers. 2021;7(1):88.