《Frontiers in Immunology》:Machine learning accurately identifies the fragmentomic signature for DNase1L3 impairment caused by homozygosity for the p.Arg206Cys variant
编辑推荐:
DNase1L3是一种核酸内切酶,在细胞凋亡过程中负责DNA片段化,并消化血浆中微颗粒来源的DNA,从而塑造游离DNA(cfDNA)的关键特征并维持细胞外DNA稳态,该过程与自身免疫相关。研究人员此前已发现,常见DNASE1L3 p.Arg206Cys(R20
DNase1L3是一种核酸内切酶,在细胞凋亡过程中负责DNA片段化,并消化血浆中微颗粒来源的DNA,从而塑造游离DNA(cfDNA)的关键特征并维持细胞外DNA稳态,该过程与自身免疫相关。研究人员此前已发现,常见DNASE1L3 p.Arg206Cys(R206C)变异的纯合状态与特征性片段组学表型相关,并导致基于片段组学的cfDNA检测性能下降。本研究探讨该表型本身能否通过机器学习直接从cfDNA测序数据中识别,从而避免依赖易出错的基因型填充。为此,研究人员重新分析了129,676例非侵入性产前检测(NIPT)的低覆盖全基因组cfDNA测序数据,并在169份匹配血浆样本中验证了R206C基因型。研究人员将多种机器学习分类器和无监督降维方法应用于全基因组片段组学特征,以识别R206C相关片段组学表型并评估准确预测所需的最低测序输入量。研究人员的模型在识别R206C纯合子方面优于基因型填充。仅需约1,000条测序cfDNA片段即可获得准确预测,远低于cfDNA检测常规产生的测序量。无监督分析揭示少数与纯合子聚类的样本缺乏相应基因型,提示类似的片段组学改变也可能通过其他机制产生。相反,跨后续妊娠的纵向随访显示,部分经基因型确认的R206C纯合子最初缺乏异常片段组学特征,但在后续妊娠中出现了该特征。这些发现表明,机器学习能够准确识别R206C纯合子特征,为改善跨临床应用cfDNA诊断提供了实用方法,并可能作为未来DNase1L3靶向治疗研究的生物标志物。观察到的基因型与片段组学特征之间的不一致提示,与DNase1L3功能障碍相关的若干特征并不能完全由基因型单独解释。
研究背景方面,血浆游离DNA(cfDNA)已成为非侵入性临床应用中的重要生物标志物,涵盖产前筛查、肿瘤诊断、心脏病学和器官移植监测等领域。不同核酸酶对DNA的胞内和胞外切割产生了cfDNA的片段组学特征,包括特定片段大小、核小体足迹、末端基序等核苷酸模式。然而,这些片段组学特征背后的生物学机制尚未完全阐明。DNase1L3是DNase I核酸酶家族成员,在凋亡过程中DNA片段化及血浆细胞外DNA清除中发挥关键作用。DNASE1L3功能缺失变异可导致罕见的单基因型系统性红斑狼疮(SLE),而常见的p.Arg206Cys错义变异(R206C)已被证明增加多种自身免疫疾病风险。R206C影响DNase1L3的折叠和/或分泌,降低蛋白活性。研究人员此前开展的大规模全基因组关联研究(GWAS)表明,R206C变异是影响cfDNA特性的关键遗传因素,在欧洲人群中次要等位基因频率约7%,纯合子约占0.5%。该变异以非线性等位基因剂量效应减少单核小体大小片段数量并相对增加多核小体大小片段。在此前研究中,纯合子个体NIPT不确定结果风险增加且预测模型准确性降低。然而,在许多cfDNA临床应用中,非靶向低覆盖全基因组测序数据无法直接对SNP进行基因分型。虽然基于单倍型的基因型填充性能尚可,但血浆cfDNA浓度低和测序产量有限使填充复杂化,此前工作显示R206C基因型填充错误率约10%。此外,DNase1L3功能损害还可能通过R206C以外的机制产生。由于R206C变异与多个片段组学特征的广泛变化相关而非单一判别特征,且特征间存在显著个体间变异,研究人员假设整合多个片段组学特征的机器学习方法能够更准确识别R206C相关片段组学表型。
研究人员开展了以下研究:重新分析来自荷兰TRIDENT-2研究的129,676例NIPT低覆盖全基因组测序数据,使用数字微滴PCR(ddPCR)对169份样本进行基因型验证(包括63份基因型分层样本和106份分类器与单倍型填充不一致的样本),训练并比较多种监督机器学习分类器(线性判别分析LDA、随机森林RF、多层感知机MLP、支持向量分类器SVC)及无监督降维方法(UMAP),以识别R206C相关片段组学表型并评估最低测序输入需求。研究得出以下结论:机器学习模型在识别R206C纯合子方面优于基因型填充;仅需1,000条cfDNA片段即可获得准确预测;无监督分析发现少数与纯合子聚类但缺乏相应基因型的样本,提示类似片段组学改变可通过其他机制产生;纵向随访显示部分基因型确认的纯合子最初缺乏异常片段组学特征但后续妊娠中出现。这些发现的重要意义在于:机器学习能够准确识别R206C纯合子特征,为改善cfDNA诊断提供实用方法,并可能作为未来DNase1L3靶向治疗研究的生物标志物;基因型与片段组学特征之间的不一致提示DNase1L3功能障碍相关特征不能完全由基因型单独解释。
在技术方法方面,研究人员主要采用以下关键技术:利用cfstats工具(version 3.0)从NIPT样本中提取插入片段大小分布、切割位点基序和5'末端模式三类片段组学特征(基序长度k=4),使用samtools以-F3852和-q60参数过滤比对数据;采用QUILT version 0.1.9和人类参考基因组联盟数据集进行基于单倍型的基因型填充;使用scikit-learn包训练多种监督机器学习分类器并以分层5折交叉验证评估性能;使用UMAP(100邻居、500轮次)进行无监督降维可视化。样本队列来源于荷兰TRIDENT-2研究(荷兰卫生部批准号1017420-153371-PG,医学伦理委员会编号2017.165),基因型验证采用ddPCR方法。
研究结果方面:第一,监督性片段组学预测器能够识别R206C纯合子。研究人员利用63份ddPCR基因分型样本训练二元LDA分类器,5折交叉验证获得完美分类结果;将最终LDA分类器应用于128,672份NIPT样本,与单倍型基因型填充的一致率为99.6%(128,111/128,672),不一致561份(0.4%);对106份不一致样本进行靶向ddPCR基因分型,证实基于片段组学的预测在90%(95/106)的病例中正确,所有分类器错误预测均发生在1型不一致样本中,表明片段组学分析在这些边界病例中比单倍型填充更准确地识别R206C纯合子。扩展基因型确认队列比较多种监督机器学习方法,随机森林模型获得最高平均性能,5折交叉验证平均准确率0.97、AUC 0.98。第二,无需双端信息即可用最少测序数据实现准确分类。仅使用切割位点和5'末端基序频率分布,随机森林分类器平均AUC为0.97;使用双端推断片段大小时,每样本仅1,000条片段即可达到平均AUC 0.96(SD=0.02),仅使用非配对特征需约100倍读数才能达到可比性能。第三,所有分类器预测均偏离R206C群体等位基因频率估计。不同分类器预测的纯合子数量差异较大,SVC以约9.8%的衍生等位基因频率最接近预期值,被务实选为后续分析中最保守的预测器。第四,低维空间决策边界可视化揭示R206C纯合子紧密聚类。UMAP投影中可清晰识别R206C纯合子富集簇;单独应用UMAP于三类特征时,插入片段大小特征信息量最大,但仅当组合所有三类特征时才出现完美可分簇;手动基于2D坐标分类获得更接近群体等位基因频率的估计值7.7%;无监督聚类确认错误分类样本的聚类分配不一致,发现9份与R206C纯合子聚类但缺乏纯合基因型的样本(5份杂合、4份野生型纯合),以及5份ddPCR确认纯合子位于典型R206C簇外但邻近区域,这些样本具有中间cfDNA大小分布;沿第一UMAP维度绘制错误倾向填充基因型频率时,观察到杂合等位基因的显著效应。第五,纵向数据表明R206C对片段组学的间接效应及非遗传因素的作用。将755份R206C簇血浆样本追溯至682名独特女性,其中61名(约9%)有多次妊娠NIPT数据;纵向分析显示10份样本在后续妊娠中跨越簇分配边界;对6名女性获得生物样本库血浆样本进行ddPCR验证,4名配对样本基因型一致;7名女性为R206C纯合子,3名为野生型纯合子,无杂合子;所有R206C纯合子的第一个血浆样本均未分配至R206C簇,而在下次妊娠中分配至该簇,提示R206C纯合子中片段组学改变可能随时间累积。
讨论部分总结:研究人员此前已证明DNase1L3 R206C变异是cfDNA变异的主要遗传决定因素。本研究表明,基于片段组学特征训练的监督和无监督模型在识别R206C纯合子方面优于基于单倍型的填充,且仅需少量测序输入。这些见解为在临床cfDNA应用中识别R206C纯合子样本迈出了第一步,并将片段组学表型确立为比填充基因型更具信息量的生物学分层指标。然而,尽管R206C的片段组学效应强烈且可重复,基因型与片段组学表型之间并未观察到完全一致。不一致病例的存在(显示异常片段组学的野生型或杂合个体,以及缺乏该特征的纯合子)提示R206C基因型单独不足以完全解释观察到的片段组学改变。纵向分析强化了这些观察,R206C纯合子中异常片段组学特征似乎随时间发展。研究人员推测,虽然最明显的生物学解释是DNase1L3损害是片段组学改变的直接原因,但结果提示它也可能(或同时)是长期暴露于清除受损的后果。在无基因型个体中观察到类似的片段大小分布、末端基序组成、切割模式改变,提示微粒DNA积累和/或其从血浆中不完全回收也可能是表观遗传或环境触发因素的后果。这些观察提示,除诊断目的R206C基因型分层外,所开发的分类方案在实践中识别了一种与DNase1L3损害相关的潜在生物学状态。鉴于重组DNASE1L3治疗可快速改善DNASE1L3缺陷患者疾病表现,以及高达1/3的散发性SLE病例具有针对DNase1L3的自身抗体,本研究的片段组学特征可能为未来治疗研究提供可扩展的方法来识别DNase1L3功能受损个体。本研究存在若干局限性:模型仅基于孕妇Illumina Veriseq方法生成的数据构建;缺乏代表一般人群的独立基因型确认验证队列;扩展基因型确认队列故意富集了分类与填充不一致的病例,因此报告的分类器性能不应解释为未选择人群中预测R206C纯合子的无偏估计;未涉及R206C杂合性。总之,研究人员证明cfDNA片段组学特征可从最少测序数据中用于识别与DNase1L3功能损害强烈相关的片段组学表型。除改善cfDNA诊断解释外,该方法可能提供识别DNase1L3相关生物学受损个体的实用策略。该片段组学表型是否具有临床意义,包括识别可能受益于新兴重组DNase1L3治疗的个体,仍有待通过整合片段组学、临床表型和DNase1L3活性直接测量的研究来确定。