分解驱动的生物标志物鉴定提升无创癌症早期检测
《iScience》:Decomposition-driven biomarker identification enhances non-invasive early cancer detection
【字体:
大
中
小
】
时间:2026年09月26日
来源:iScience 4.5
编辑推荐:
要点
• 非负矩阵分解(NMF)可解析肿瘤中异质性甲基化信号
• 分解方法可改善从组织批量数据中选择癌症生物标志物的准确性
• NMF衍生的标志物在独立cfDNA数据中提升了预测效果
• 成分分解改善了组织来源标志物的优先级排序
摘要
游离DNA(cfDNA)中准确选择
要点
• 非负矩阵分解(NMF)可解析肿瘤中异质性甲基化信号
• 分解方法可改善从组织批量数据中选择癌症生物标志物的准确性
• NMF衍生的标志物在独立cfDNA数据中提升了预测效果
• 成分分解改善了组织来源标志物的优先级排序
摘要
游离DNA(cfDNA)中准确选择标志物对于非侵入性早期癌症检测至关重要,然而基于组织批量数据的传统方法往往得到的标志物在基于血液的检测中效果有限,这源于早期肿瘤发生期间释放到血液中的肿瘤衍生cfDNA具有稀疏性和异质性的特点。在此,我们提出了一种成分分解框架,利用非负矩阵分解(NMF)从五种消化道癌症及其癌旁组织的批量代表性亚硫酸盐测序(RRBS)数据中解析出不同的甲基化成分。该方法证明,癌症特异性信号可在成分水平恢复,从而能够识别出癌症特异性和组织来源标志物,其在cfDNA中的性能显著提高。将该框架扩展至转录组数据进一步验证了其在基于cfRNA的生物标志物发现和分子亚分型方面的效用。总之,我们的框架提供了一种稳健且可扩展的解决方案,以改善早期癌症检测和患者分层的标志物识别。
图形摘要
引言
癌症早期检测旨在在癌前病变或早期临床阶段(主要为I–II期)确定癌症相关的分子信号,以实现平均风险、有症状人群以及流行病学定义的高风险人群中筛查、早期诊断和监测的应用。基于血液的非侵入性诊断方法已成为早期癌症检测的有前景的策略。其中,基于甲基化的检测方法,尤其是针对循环游离DNA(cfDNA)中特定标志物的检测,已展现出巨大的临床潜力。
开发此类检测方法的关键一步是稳健地选择能够区分癌症与非癌症状态的差异甲基化标志物。该选择过程通常涉及两个关键阶段。第一阶段是发现阶段,即通过癌症组织与匹配的癌旁组织或正常组织的比较分析,识别差异甲基化CpG位点(DMCs)或差异甲基化区域(DMRs)作为候选标志物。第二阶段是验证阶段,即评估候选标志物在血浆cfDNA中区分癌症与非癌症样本的能力。虽然发现阶段在组织水平上确立了候选标志物与癌症信号的潜在关联,但随后的验证阶段确保了这些信号在基于血液的背景下得以保留并可被检测。最终,验证后的标志物被组装成优化的靶向检测面板,用于非侵入性癌症检测。
然而,发现阶段和验证阶段中的两个主要挑战阻碍了高质量cfDNA甲基化标志物的识别,通常导致源自组织的候选标志物在基于血液的评估中表现不佳。在发现阶段,标志物选择受到肿瘤组织显著异质性的干扰,肿瘤组织不仅由恶性细胞组成,还包括一个复杂的微环境,包括血管和多种浸润性免疫细胞。因此,许多候选标志物可能捕获的是非恶性成分的信号,而非真正的癌症特异性改变,从而限制了其特异性和泛化能力。例如,免疫细胞浸润增加可能导致选择了反映炎症或免疫反应而非肿瘤内在特征的标志物。在验证阶段,由于循环肿瘤DNA(ctDNA)在血浆中的含量较低,尤其在早期癌症中,需要极高的灵敏度。源自肿瘤组织的癌症相关甲基化信号在释放到血液中时往往被大幅稀释。此外,造血细胞(如白细胞(WBCs))的背景噪声可能掩盖或模拟癌症特异性甲基化模式。例如,在肿瘤组织中识别到的高甲基化标志物,如果相同位点在白细胞中也呈高甲基化状态,则在血浆中将缺乏鉴别能力。综上所述,这些挑战表明,从肿瘤组织内纯化的癌症成分中识别甲基化标志物,结合背景噪声过滤,将提高标志物在基于cfDNA的早期非侵入性癌症检测方法中的性能。
单细胞或基于细胞分选的甲基化测序为识别癌症特异性甲基化标志物提供了高分辨率的方法,但其广泛应用目前受限于高成本和技术复杂性。作为替代方案,批量甲基化测序数据的反卷积提供了一种经济高效且可扩展的解决方案,用于研究组织组成,并且可直接应用于现有的大量批量甲基化数据集。已开发了多种反卷积方法,如MethylCIBERSORT、MethylResolver和HiTIMED,它们基于将批量数据与已知细胞类型的参考甲基化谱进行回归。尽管这些基于参考的方法具有较高的准确性,但它们本质上受限于适当参考数据的可用性和完整性,而这些数据往往缺乏。为克服这一局限,开发了无需参考的方法,如RefFreeEWAS和MeDeCom。这些方法利用非负矩阵分解(NMF)将观测数据分解为一组潜在成分。这些成分已被证明与潜在的数据表型相对应,并反映异质性组织中的主要细胞类型。然而,尽管对揭示这些潜在成分的兴趣日益增长,很少有研究系统评估分解数据在甲基化标志物发现中的效用。
在本研究中,我们假设组织内的甲基化信号具有高度异质性,批量甲基化数据的分解可以反卷积这些平均信号,揭示来自不同细胞或组织来源的成分。我们进一步假设,源自肿瘤特异性成分的标志物更具肿瘤特异性,因此在血浆cfDNA中预期产生更强且更可靠的信号,增强非侵入性早期癌症检测的潜力。为验证这些假设,我们提出了一种新颖的框架,利用无监督NMF方法识别与亚组织特异性成分相关的差异甲基化标志物,选择该方法是因为其适应性和可解释性(图1A)。对五种消化道(GI)癌症及其癌旁组织的批量RRBS(代表性亚硫酸盐测序,剖析富集CpG区域而非全基因组的DNA甲基化)数据进行分解。我们在成分水平分析了甲基化差异,比较了我们的方法与传统基于批量数据的标志物选择结果,并将该方法进一步扩展以识别用于组织来源(TOO)预测的癌症类型特异性标志物,这通常在多癌种早期检测(MCED)中进行,以确定阳性病例的具体癌症类型。此外,我们证明了该框架对其他标志物类型的更广泛适用性,如游离RNA(cfRNA),凸显了其在标志物发现及潜在癌症亚型分类方面的效用。总体而言,我们的结果证明,基于分解的分析显著增强了标志物识别,表明该方法可为下一代非侵入性癌症诊断的标志物选择策略提供指导。重要的是,本研究侧重于开发并评估一种基于分解的生物标志物选择策略。虽然候选标志物已在外部公开的cfDNA数据集上进行了评估,但尚未在大规模独立临床队列中使用专门的甲基化检测面板进行全面的实验验证。此类验证是将所提出的框架推进至常规临床应用所必需的前提条件。
图1 批量DNA甲基化数据的分解
(A) 示意图展示了不同状态参与者(例如,癌症和正常)的批量测序数据分解,以及批量水平和成分水平识别出的标志物之间的比较。cfDNA样本用于验证所选标志物。
(B) 结直肠癌(CRC)和癌旁组织RRBS数据的分解结果得出九个成分,表示为H矩阵与W矩阵的乘积。根据成分权重在各样本中的分布,每个成分被归类为正常或癌症状态(通过t检验)。
(C) 分解前后结直肠癌和正常样本间CpG改变模式的比较。如果在癌症样本中平均甲基化水平显著高于或低于正常样本(p < 0.05;U检验后进行Benjamini-Hochberg校正),则CpGs在批量数据中定义为高甲基化(HyperM)或低甲基化(HypoM)CpGs;如果在癌症相关成分与正常相关成分之间的平均甲基化信号的log2(折叠变化)> 0.1或< ?0.1,则定义为HyperM或HypoM CpGs。图中的数字以log10缩放显示。显著性:*p < 0.05, **p < 0.01, ***p < 0.001, ****p < 0.0001。另见图S1–S4。
结果
批量水平和成分水平甲基化标志物之间的差异
收集了来自73例结直肠癌(CRC)患者的199个样本、31例食管癌患者的样本、19例胃癌患者的样本、28例肝癌患者的样本和48例胰腺癌患者的样本,以及153个癌旁组织样本(28个来自结直肠癌患者,42个来自食管癌患者,27个来自胃癌患者,26个来自肝癌患者,30个来自胰腺癌患者)进行分析。
肿瘤组织是多种细胞和亚组织成分的异质性混合物,产生复合的批量甲基化信号。为建模这种异质性,我们应用非负矩阵分解(NMF)将批量甲基化矩阵分解为甲基化谱矩阵和权重分数矩阵,分别代表成分特异性甲基化模式及其在各样本中的相对贡献。在数学上,对于每种癌症类型,将癌旁(正常)和癌症样本的CpG甲基化值合并为单一矩阵(行表示m个CpG位点,列表示n个样本),然后分解为两个矩阵:甲基化矩阵(即H矩阵,包含m个CpG位点×K个成分)和权重矩阵(即W矩阵,包含K个成分×n个样本)。H矩阵描绘了每个成分在CpGs上的甲基化谱,而W矩阵量化了权重,可归一化为各样本中成分的分数(图1B和图S1A–S4A;STAR方法)。因此,可观察到批量数据的甲基化谱可被视为不同组织成分以不同比例混合的结果。由此,它揭示了批量甲基化信号的组成,并以更高分辨率揭示了甲基化改变。接下来,我们使用结直肠样本数据来说明批量数据的分解,以调查癌症和正常样本之间甲基化的改变。所有五种癌症类型均观察到类似的结果(其他癌症类型见补充信息)。
与原始矩阵相比,H矩阵中的CpGs在不同成分间表现出明显的甲基化模式差异。值得注意的是,成分在正常样本或癌症样本中表现出明显不同的富集程度(图1B),表明成分与不同样本病理状态之间的关联。随后,我们检查了分解前后甲基化改变CpGs的一致性(图1C和图S1B–S4B)。通过比较癌症和正常样本之间的平均甲基化水平(分解前),或比较癌症相关成分与正常相关成分之间平均甲基化信号(H矩阵中)的对比(分解后),将CpGs定义为癌症中的高甲基化(HyperM)或低甲基化(HypoM)(例如,图1B中的成分3–9和1–2分别显著富集于癌症和正常样本中,被定义为癌症相关和正常相关成分;STAR方法)。相当大比例的CpGs在分解前后保留了其甲基化变化模式(85.2%的批量HypoM、99.0%的批量HyperM和29.6%的批量"无变化"CpGs)。然而,17.4%的CpGs在分解后表现出不同的甲基化模式(14.4%的HypoM和0.92%的HyperM被重新分类为"无变化"CpGs;39.7%/30.7%的"无变化"CpGs分别被重新分类为HypoM/HyperM),0.18%的CpGs甚至显示出相反的甲基化趋势(0.43%的HypoM被重新分类为HyperM CpGs;0.067%的HyperM被重新分类为HypoM CpGs),反映了组织水平识别的差异CpGs与成分水平识别的差异CpGs之间的差异。特别是,70.4%的批量"无变化"CpGs在成分水平被识别为HypoM/HyperM CpGs,表明传统选择方法可能遗漏了在血液中可检测到的潜在信息性标志物。相反,15.3%的批量HypoM/HyperM CpGs在成分水平似乎失去了差异信号,表明这些变化可能源于非癌症成分,因此缺乏区分癌症与正常组织的真正鉴别能力。这些观察结果表明,细胞成分的内在甲基化谱影响了批量数据中观察到的甲基化模式,从而影响真正差异标志物的识别。
成分分解损害了组织标志物的甲基化信号
接下来,我们研究了成分特异性甲基化谱和分数对从批量数据中识别出的组织标志物的影响。我们首先使用批量数据通过比较癌症和正常样本,以传统方式识别癌症的HyperM和HypoM标志物(例如,通过U检验进行组间比较;STAR方法),然后在分解后的成分中对它们的甲基化谱进行表征(图2A和图S5A–S8A)。
正如预期,HypoM标志物的甲基化水平从正常相关成分(成分1和2)向癌症相关成分(成分3–9)递减,而HyperM标志物的甲基化水平沿同一梯度递增。然而,一部分标志物在成分层面表现出不一致的甲基化变化模式(图2B和S5B–S8B),尤其是在全群HypoM标志物中,199个HypoM标志物中有43个在癌症相关成分中反而呈现高甲基化。这一结果表明,全群层面的甲基化信号由多种成分共同塑造,而这种差异可能部分解释了组织标志物在血液样本中失效的原因,因为差异模式可能在成分层面发生变化。
图2 不同成分对组织标志物的贡献
显示完整图注
图片查看器
(A) 来自RRBS CRC数据的组织癌症标志物的甲基化图谱,在各成分中的表现,底部显示中位甲基化值。
(B) 组织癌症标志物在成分层面的甲基化变化模式检验。
(C) HyperM和HypoM组织标志物在癌症样本和正常样本之间的平均甲基化差异分布,分别使用原始RRBS数据和各成分图谱计算。右侧展示了各成分贡献的计算方法,即将某成分的甲基化图谱乘以该成分在各样本中的权重,并计算癌症样本与正常样本之间的平均差异。另见补充图S5–S8。
该分解使我们能够进一步定量评估每个成分对全群甲基化信号的贡献,该信号可近似为各成分特异性甲基化水平与其各自比例的加权和。对于全群数据中识别的每个HyperM和HypoM标志物,我们计算了其在每个成分中跨样本的加权甲基化值,然后检验了癌症组与正常组之间的甲基化变化。我们发现,全群数据衍生标志物的甲基化差异主要由相应成分驱动,但同时被相反成分所削弱(图2C和S5C–S8C)。例如,所有癌症相关成分(成分3–9)均对HyperM标志物在癌症样本中甲基化升高的贡献,而正常相关成分(成分1和2)则在一定程度上抵消了这种差异。这些发现表明,全群癌症信号是组织内多种成分的复杂混合物,组织标志物的鉴定基于一种折中的信号。
血液样本验证了成分层面标志物的癌症信号
我们已经证明,观察到的甲基化图谱是按比例由具有不同甲基化图谱的成分所贡献的,从而产生了折中的标志物信号。因此,我们假设"纯"的癌症信号由特定成分产生,并且通过将这种纯信号与造血细胞(如白细胞)的背景信号进行对比,可以识别出更为稳健的血液来源癌症标志物。为验证这一假设,我们首先尝试通过关联成分特异性甲基化与多种细胞类型的参考甲基组,来确定与癌症最相关的成分,这些细胞类型包括造血细胞(血细胞)、巨噬细胞、内皮细胞、组织上皮细胞和癌细胞(图3A和S9A–S12A)。对于结直肠癌,我们发现成分2和8分别与正常肠道细胞和结直肠癌细胞系高度相关,而其他成分则与血细胞相关。值得注意的是,超过一半的正常和癌症样本分别含有大量成分2和8(>0.2)。基于这些发现,我们将成分8指定为CRC相关成分,因此血液中的癌症信号可以通过比较成分8的甲基化水平与白细胞的甲基化水平来捕获。
图3 成分确定以及在cfDNA样本中成分层面组织癌症标志物的验证
显示完整图注
图片查看器
(A) 各种细胞类型的甲基化状态与CRC分解成分之间的相关性,以及成分权重>0.2的样本比例(右侧)。每列代表一种细胞类型,主要类型显示在下方。确定了某些成分(如成分2和8)最相关的组织/细胞类型。评估的细胞类型包括(从左到右):Blood-B、Blood-B-Mem、Blood-Granulocytes、Blood-NK、Blood-T-CD3、Blood-T-CD4、Blood-T-CenMem-CD4、Blood-T-EffMem-CD4、Blood-T-Naive-CD4、Blood-T-CD8、Blood-T-Eff-CD8、Blood-T-EffMem-CD8、Blood-T-Naive-CD8、Blood-Monocytes、Lung-Alveolar-Macrophages、Lung-interstitial-Macrophages、Colon-Macrophages、Liver-Macrophages、Bone marrow-Erythrocyte progenitors、Aorta-Endothelium、Saphenous-Vein-Endothelium、Lung-Alveolar-Endothelium、Liver-Endothelium、Pancreas-Endothelium、Pancreas-Islet-Endothelium、Kidney-Glomerular-Endothelium、Kidney-Tubular-Endothelium、Aorta-Smooth-Muscle、Coronary-Artery-Smooth-Muscle、Small-int-Endocrine、Small-int-Epithelium、Colon-Left-Endocrine、Colon-Left-Epithelium、Colon-Right-Endocrine、Colon-Right-Epithelium、HCC-56、HT55、LS-180、DIFI、NCI-H630、SNU-1040、SNU-175和SNU-C2B。
(B和C) cfDNA验证的标志物(深蓝色标注)在现有靶向甲基化测序平台中先前定义的HypoM和HyperM标志物中的富集情况。显示了癌症特异性成分的甲基化图谱与健康血液细胞样本平均值及其差异。标志物按照CRC特异性成分与健康血液细胞样本平均值之间的甲基化差异(B)以及食管/胃/肝/胰特异性成分与健康血液细胞样本平均值之间的甲基化差异(C)进行排序。标注了Kolmogorov-Smirnov检验的p值(<0.05)以指示统计显著性。另见补充图S9–S13。
接下来,我们使用一个现有的多癌种检测靶向甲基化测序平台来验证与癌症特异性成分相关的癌症信号。对于平台中超过一千个预定义组织衍生标志物的每个靶向区域,我们计算了CRC数据中成分8与20个健康样本的白细胞RRBS数据之间的甲基化差异,并根据差异大小进行排序。使用相同的测序平台,对总计845名癌症患者(200例结直肠、150例食管、159例胃、293例肝和43例胰腺)以及832名健康参与者的血浆cfDNA进行了检测。通过Student's t检验确定cfDNA验证的标志物在癌症cfDNA样本和正常cfDNA样本之间是否表现出显著差异。引人注目的是,cfDNA中验证的预定义HypoM标志物在癌症相关成分与白细胞之间负甲基化差异较大的标志物中富集,而验证的预定义HyperM标志物在癌症相关成分与白细胞之间正甲基化差异较大的标志物中富集(富集评分分别为0.829和?0.527;Kolmogorov-Smirnov检验p值分别为4.4 × 10?1?和2.3 × 10???;STAR方法)(图3B)。在其他成分中也观察到了这种富集效应,但程度较弱(补充图S13)。我们还确定了其他癌症类型的癌症相关成分,并证明cfDNA验证的标志物在癌症相关成分与白细胞比较产生的差异最大的标志物中存在富集(图3C和S9B–S12B)。这些结果支持了癌症特异性成分在血液检测到的最终癌症信号中可能发挥主导作用的概念,因为其与血液背景相比表现出差异性的甲基化图谱。
通过分解框架识别的标志物展现出增强的癌症信号
我们已经证明,从组织全群数据中常规选择的标志物,当其在癌症相关成分与白细胞之间表现出显著的甲基化差异时,更有可能在血液样本中得到验证——这是cfDNA中可检测性的必要条件。为进一步评估成分层面标志物选择的应用价值,我们使用经病理确诊的结直肠癌患者的全群组织数据(STAR方法),对我们的分解方法与常规方法进行了直接比较。具体而言,我们使用定制流程(补充图S14)识别了前1000个HyperM和1000个HypoM标志物(包括DMCs和DMRs),并通过测量癌症样本与正常样本之间的甲基化差异来评估其在独立cfDNA RRBS数据集上的表现。该cfDNA数据集作为血液来源癌症信号检测的替代。引人注目的是,NMF分解识别出的顶级标志物在cfDNA中表现出比使用几种不同常规方法选择的标志物显著更大的甲基化差异(图4A)。该结果表明,基于成分分解的框架增强了从组织全群数据中识别出更为稳健和可区分的癌症标志物的能力。
图4 通过成分分解改善标志物鉴定
显示完整图注
图片查看器
(A) 通过成分分解(NMF)选择的癌症标志物(前1000个DMCs和前1000个DMRs)与常规方法(距离、p值、AUC、log-fold-change [LogFC])选择的标志物在cfDNA样本中癌症参与者与正常参与者之间甲基化差异的比较。数据以均值±SEM表示。显著性:*p < 0.05, **p < 0.01, ***p < 0.001,由t检验确定。
(B) 五种GI癌症的癌症和癌旁样本的权重矩阵(W矩阵),以及健康血浆和血液细胞样本。
(C) 通过相应癌症类型特异性成分鉴定的TOO DMCs验证。使用来自现有多癌种检测平台的cfDNA验证的TOO标志物作为参照,对每个特异性成分所代表的TOO DMCs进行超几何检验。p值通过点大小和颜色强度共同表示。另见补充图S14–S16;补充表S1。
此外,为评估分解方法标记选择对癌症预测的改进效果,我们基于cfDNA RRBS数据集,使用NMF框架识别的顶级DMC或DMR构建了随机森林模型,并与常规流程选择的标志物进行比较。交叉验证显示,基于NMF的DMC标志物达到了0.820的受试者工作特征曲线下面积(AUC),显著优于常规选择的标志物(AUC = 0.573–0.698;所有p < 0.05,DeLong检验)(补充图S15A)。一致地,使用NMF衍生DMR标志物的模型获得了0.813的更高AUC,高于常规方法(AUC = 0.651–0.690;所有p < 0.05)(补充图S15B)。综上所述,这些来自独立外部cfDNA数据集的发现证实,在癌症预测的标志物选择方面,基于NMF的框架优于本文评估的常规策略。然而,根据我们的框架设计的优化检测方法的回顾性验证仍需提供,以最终确定其临床效用。
分解框架改善了TOO标志物选择
在识别癌症相关和正常相关成分的基础上,我们尝试将我们的框架扩展用于TOO标志物的选择,这对于开发MCED方法至关重要。为提取目标组织类型(包括正常和癌细胞)的纯成分,我们将分解方法应用于一个整合数据集,该数据集包含五种GI癌症的癌症和癌旁样本的全群RRBS数据,以及114例健康血浆样本和20例健康WBC样本作为背景对照。共衍生出40个成分(补充图S16;STAR方法)。有趣的是,尽管检测到了血液背景的共同成分(如成分1和6–8)以及正常GI组织的共同成分(如成分3和4),但我们检测到一个成分(成分2)被所有GI癌症显著共享,可能代表了一种共同的癌症信号。我们还鉴定了若干TOO特异性成分,可能指示不同的癌症类型(结直肠恶性病变为成分9–12,食管为15–17,胃为18和19,肝为21–25,胰腺为27和28)(图4B)。引人注目的是,这些TOO特异性成分与血液成分、正常GI共同成分以及共同GI癌症成分之间存在良好的分离。有趣的是,TOO特异性成分可以与正常样本(如成分9)和癌症样本(如成分10–12)均相关联,这表明正常和癌细胞均可提供关于TOO定位的信息。
然后,我们基于TOO特异性成分的甲基化图谱识别了TOO标志物,定义为在某一种GI癌症中与其他癌症类型相比存在差异甲基化的CpGs。具体而言,对于给定癌症类型的每个TOO成分,其甲基化图谱与其他所有癌症类型的TOO成分进行两两比较。识别出甲基化差异最小但大于给定截断值(如0.1)的CpGs作为TOO标志物,并根据甲基化变化方向进一步分类为HyperM或HypoM标志物(STAR方法)。随后,使用从靶向平台衍生并经血浆验证的TOO标志物对这些TOO标志物进行评估,该平台已在数千个cfDNA样本上进行了测试。在几乎所有五种GI癌症中,两组TOO标志物之间均观察到显著重叠(图4C;补充表S1)。这些发现既支持了成分衍生标志物的生物学相关性,也证实了基于分解的框架在优先筛选TOO标志物方面的价值。然而,与先前验证的血浆标志物集的一致性观察仅提供间接证据;新识别的TOO标志物在独立临床队列中的鉴别性能仍需直接评估。
将分解框架扩展到转录组数据
为评估我们框架在表观遗传标志物之外的普适性,我们将成分分解方法扩展到了全群转录组数据。
从TCGA(癌症基因组图谱)数据库获取了五种消化道癌症的RNA测序数据,对每种癌症类型,将肿瘤样本和癌旁样本使用基于TPM(每百万转录本数)值的非负矩阵分解(NMF)方法进行联合分解(详见方法部分)。由此得到了一个捕获各成分特异性转录谱的基因表达矩阵(H矩阵)和一个反映各成分对个体样本比例贡献的对应权重矩阵(W矩阵)(图S17)。随后,我们评估了基于成分的分解方法能否改善基于血液的癌症检测中的RNA标志物选择。使用TCGA组织整体RNA测序数据,对通过传统方法选择的标志物与通过我们的分解方法选择的标志物进行了头对头比较(详见方法部分)。在独立的cfRNA测序数据集中,通过测量癌症和正常cfRNA样本之间所选RNA标志物的表达增幅,评估了每种方法的排名前100个RNA标志物(图5A和图S18)。值得注意的是,通过NMF分解识别出的标志物在癌症和正常cfRNA样本之间表现出显著更强的区分能力,表明分解框架在cfRNA标志物发现方面具有优越性能。
**图5 通过转录组数据分解改善cfRNA癌症标志物鉴定和癌症亚型聚类**
(A) 通过成分分解(NMF)和传统方法(AUC、p值、距离和对数折叠变化[LogFC])选择的癌症标志物(均为排名前100的高表达基因)之间的比较,计算癌症和正常参与者cfRNA样本之间表达量的增加。数据以均值±标准误表示。显著性:*p ≤ 0.05,t检验。评估涉及结直肠癌(CRC)、肝癌(LC)和胃癌(GC)。
(B) 基于癌症相关成分对肝癌患者进行聚类。
(C) 不同聚类肝癌患者的总生存期。
(D和E) 与癌症亚型(聚类3)相关成分(成分7)的差异表达基因。对亚型特异性的排名前500个高表达(D)和低表达(E)基因进行了功能富集分析。另见图S17–S18。
除早期检测外,我们探讨了成分分析能否揭示具有临床意义的患者亚型。在肝癌中,使用肿瘤样本中富集的三个成分(成分7–9),根据成分权重将患者分为五个聚类(图5B)。生存分析显示各聚类之间存在显著差异(对数秩检验p = 0.0017)(图5C)。值得注意的是,聚类1和聚类2中肿瘤成分贡献最小,表现出良好的生存预后(中位总生存期[OS]时间分别为2,131天和1,852天),而由成分9主导的聚类4和聚类5则预后显著较差(中位OS时间分别为827天和643天),表明成分9具有恶性特征。有趣的是,以成分7高比例为特征的聚类3相比聚类4和聚类5表现出改善的预后(中位OS时间为1,685天),提示该成分可能具有保护作用。为阐明其潜在机制,我们将成分7的转录组谱与恶性成分9进行了比较。成分7中高表达的基因在免疫激活通路中富集,包括滤泡外和滤泡B细胞激活以及细胞外基质重塑(图5D)。相反,成分7中下调的基因与脂质和氨基酸代谢及氧化过程相关,提示肿瘤增殖减弱(图5E)。这些结果突出了转录组分解在识别具有不同免疫生物学状态和预后相关性的分子亚型方面的能力,强调了其在优化癌症分类和治疗分层中的潜力。
**讨论**
本研究为更广泛的MCED(多癌种早期检测)研究项目提供了方法学框架,并在推进MCED下一阶段发展中起到承上启下的作用。本工作致力于在高质量数据(样本经过精心平衡,并在符合GCP的标准化程序下进行处理)(ClinicalTrials.gov编号:NCT05431621)的基础上改进标志物选择的方法学基础。利用这一精心控制的数据集,我们聚焦于通过数据分解提取癌症特异性信号,旨在提高标志物的特异性和稳健性。本研究所呈现的方法学进展直接为MCED策略的演进提供信息和支撑,促进其在后续研究阶段中进一步优化,以适用于人群筛查、风险适应性监测和早期诊断评估。
标志物发现是开发有效早期癌症检测面板的关键步骤。然而,一个持续存在的挑战在于弥合组织样本中标志物发现与血液检测中成功应用之间的鸿沟。许多源自组织的标志物最终在血液中失效,原因包括:由炎症或损伤相关成分而非恶性细胞驱动的假阳性、组织中肿瘤信号代表不足、血液中信号噪声比低,或其他未知原因。鉴于细胞类型分辨标志物鉴定的复杂性和成本,我们开发了一种基于成分分解的框架,使标志物发现可以通过组织内相对纯的成分之间的比较来实现。
基于组织整体数据的分解,我们发现了从整体样本和分解成分中选择的标志物之间的差异,这有助于解释组织来源标志物在基于血液的验证中频繁失败的现象。我们在此证明,观察到的甲基化差异既来源于各成分特异性的甲基化谱,也来源于测试组织中各亚组织成分的不同比例,因此此类差异反映了组织水平上的信号偏差,偏向了对真实标志物的误识别。该框架允许在目标癌症成分和正常对照之间进行直接比较,同时考虑血液的甲基化背景(如白细胞),最终产生更具区分力且与血液相关的标志物。
我们进一步扩展了这一框架,利用分离良好的、癌症类型特异性的成分来识别TOO(肿瘤起源组织)标志物,这些成分不仅与正常组织和血液来源的成分不同,而且与常见的消化道癌症成分也不同。这些观察表明,TOO信息可能来源于组织中的恶性和非恶性成分,为MCED工作中的标志物发现提供了一种精细的方法。
此外,通过转录组数据的分解,我们证明了该框架可适用于其他生物标志物,从而鉴定出与传统选择方法相比性能更优越的cfRNA标志物。除标志物发现外,我们的分析还突出了数据分解不仅在早期检测中,而且在预后分层和治疗指导方面的潜力。
我们的框架可进一步扩展至良性病变(如息肉、肝硬化),从而鉴定区分癌症与炎症或癌前病变的标志物。它还可以通过分解混合肿瘤或癌症亚型来支持鉴别诊断和亚型发现。此外,该方法可适应多组学整合,使DNA甲基化、RNA和蛋白质数据的联合分解成为可能,以高分辨率捕获肿瘤演化过程。
总之,我们认为本文提出的基于成分分解的框架为组织整体数据中的标志物发现提供了一种强大的策略,有潜力显著提升液体活检在早期癌症检测中的性能。
**研究的局限性**
本研究可能存在以下局限性。首先,尽管基于分解的标志物选择框架在与外部公开cfDNA数据集的对比评估中,为癌症检测提供了增强的信号强度和预测准确性,但这些优化后的标志物尚未在大型独立临床队列中通过专用靶向甲基化面板进行实验性或前瞻性验证。同样,尽管成分来源的TOO标志物与已建立的血浆TOO标志物相关性良好,但这种一致性并不能消除直接经验性测试的必要性。这些新识别的TOO标志物的区分能力尚未在独立的临床人群中评估。总体而言,这些差距强调了进行严格实验和前瞻性验证的必要性,以确定观察到的益处是否在真实临床样本中可重复,并评估该框架的转化潜力。其次,我们仅依赖NMF进行分解。虽然其他替代方法可能也适用,但我们选择NMF是因为其可解释性、可扩展性和不依赖参考数据集。第三,成分未与特定细胞类型进行实验匹配。然而,我们的框架并不要求与经典细胞身份之间存在严格的一一对应关系。相反,成分可被视为捕获共享表观遗传或转录特征的"亚组织"。第四,尽管该框架已在五种消化道癌症中得到验证,但其在更广泛MCED设置中的可扩展性仍需进一步调查。第五,尽管本研究基于高质量数据并在符合GCP的程序下进行,但样本间仍可能存在残余的分析前变异(如年龄、性别、样本采集、文库制备和测序通道),NMF原则上可能捕获与此类分析前或混杂因素相关的成分,在后续应用中应谨慎解读。尽管如此,我们相信分解的结构化特性大大降低了MCED开发中传统方法固有的多向比较的复杂性。
**资源可用性**
**主要联系人**
有关进一步信息和资源的请求应提交给主要联系人杨新荣(yang.xinrong@zs-hospital.sh.cn),并将在合理请求下予以满足。
**材料可用性**
本研究未产生新的独特试剂。
**数据和代码可用性**
- 癌症和健康参与者cfDNA的靶向甲基化测序数据来源于此前研究,已提交至中国国家基因信息中心(China National Center for Bioinformation)的BioProject数据库,项目编号为PRJCA021793(https://ngdc.cncb.ac.cn/bioproject/)。
- 五种消化道癌症(包括癌症样本和癌旁样本)、健康血浆样本和血液细胞样本的RRBS数据参考自此前研究。更多详情可在合理请求下通过主要联系人获得。
- 本文分析了已有的、公开可获取的经分选正常组织细胞的已处理WGBS数据,可从GEO获取:GSE186458。
- 本文分析了已有的、公开可获取的来自癌细胞系的已处理甲基化阵列数据,可从GEO获取:GSE68379。
- 本文分析了已有的、公开可获取的来自结直肠癌患者和健康供体血浆样本cfDNA的RRBS数据,可从CFDA(细胞游离表观基因组图谱)数据库获取。
- 本文分析了已有的、公开可获取的五种消化道癌症(包括癌症样本和癌旁样本)的转录组数据,以及相应患者的生存数据,可从TCGA数据库获取。
- 本文分析了已有的、公开可获取的来自结直肠癌、胃癌、肝癌和健康供体血浆样本cfRNA的RNA测序数据,来源于此前研究。
- 原始代码已提交至GitHub:https://github.com/faculty/MarkerDecompose,自出版日起公开可用。
- 重新分析本文报告数据所需的任何附加信息可在合理请求下从主要联系人处获取。
**致谢**
本工作由中国国家重点研发计划(2024ZD0525400、2024ZD0525405和2024ZD0525406)、中国自然科学基金重点项目(82488101)、国家自然科学基金(82341027和82072715)、中国"万人计划"、扬州市绿扬金凤人才计划(YZLYJFJH2023CX020和YZLYJFJH2024CX013)、北京市自然科学基金(编号7232172)、上海市科技重大专项、东方人才计划(领军项目)、上海市科委项目(21140900300、22S31901800和25JS2850400)、上海市医院发展中心项目(SHDC2023CRD025)、上海市卫健委项目(2022LJ005)以及复旦大学附属中山医院基金(2021ZSCX28、2020ZSLC31和ZP2023-017)联合资助。
**作者贡献**
W.C.和R.-Q.F.应用方法学并进行了主要数据分析。Y.-H.A.、Z.-X.S.和H.-X.S.构思和设计本研究,并进行了结果解读。W.-J.Z.、F.W.、H.C.、W.L.、M.-J.X.和C.-C.M.进行数据整理并参与数据分析。Z.-X.S.、R.L.和X.-R.Y.管理和监督项目。W.C.、Y.-H.A.、R.-Q.F.、H.-X.S.、Z.-X.S.、R.L.和X.-R.Y.撰写了论文。所有作者均参与了论文的编辑和修订。
**利益声明**
R.L.在Singlera Genomics拥有股份且为该员工。Z.-X.S.、R.-Q.F.、H.C.、W.L.、M.-J.X.和C.-C.M.为Singlera Genomics员工。所有其他作者声明无竞争利益。
**STAR★方法**
**关键资源表**
| 试剂或资源 | 来源 | 标识符 |
|---|---|---|
| 消化道癌症和癌旁组织的RRBS数据 | Huang等 | https://doi.org/10.1186/s12943-025-02367-x |
| 健康血浆RRBS数据 | Huang等 | https://doi.org/10.1186/s12943-025-02367-x |
| 健康血液细胞RRBS数据 | Huang等 | https://doi.org/10.1186/s12943-025-02367-x |
| cfDNA靶向甲基化测序数据 | Huang等 | https://doi.org/10.1186/s12943-025-02367-x |
| cfDNA RRBS数据 | CFDA | https://doi.org/10.1093/nar/gkz715 |
| 经分选正常组织细胞的WGBS数据 | Loyfer等 | GEO: GSE186458 |
| 癌细胞系的甲基化阵列数据 | Iorio等 | GEO: GSE68379 |
| 组织整体转录组数据 | TCGA | https://gdc.xenahubs.net |
| 生存信息 | TCGA | https://gdc.xenahubs.net |
| cfRNA数据 | Wang等 | https://doi.org/10.1038/s41467-023-44461-y |
| RRBS数据分解代码 | 本文 | https://github.com/faculty/MarkerDecompose |
**软件和算法**
- WebGestalt:Elizarraras等,https://www.webgestalt.org/
- Python:Python软件基金会,https://www.python.org
- Python scipy.stats模块:SciPy项目,https://scipy.org
- Python scikit-learn库:Scikit-learn,https://scikit-learn.org
**实验模型和研究参与者详情**
**数据集**
本研究仅通过对已有数据集的计算重新分析进行,未招募新的人类参与者,亦未进行涉及动物或细胞系的实验。
本研究分析的数据集来源于先前发表的研究和公开可获取的数据库,相关的来源和登录信息列于关键资源表中。Bulk RRBS数据集包含199例胃肠道(GI)癌症样本,其中包括73例结直肠癌、31例食管癌、19例胃癌、28例肝癌和48例胰腺癌样本,以及与28例结直肠癌、42例食管癌、27例胃癌、26例肝癌和30例胰腺癌患者对应的153例癌旁组织样本。数据集还包括114例健康血浆样本和20例健康全血细胞样本。血浆cfDNA数据集包含845名癌症患者,其中包括200名结直肠癌、150名食管癌、159名胃癌、293名肝癌和43名胰腺癌患者,以及832名健康参与者。由于本研究仅涉及对现有匿名化数据集的重新分析,因此除了原始研究的信息和研究设计之外,未独立评估性别与性别的潜在影响。研究参与者的详细人口学特征,包括年龄、性别和/或性别特征、癌症分期、种族和民族(如有报告),可在关键资源表中列出的相应原始出版物中查阅。本研究未进行额外的受试者招募、样本采集或实验操作,因此对该重新分析不需要额外的机构伦理审批。
方法细节
Bulk RRBS数据的非负矩阵分解(NMF)
对bulk RRBS数据进行NMF分解,以将其分解为组分,所用模型如下:
R = H × W + ε(公式1)
详细公式如下:
(矩阵公式略)
矩阵R为N个样本(列)和M个CpG(行)的bulk RRBS数据,其中r??(1 ≤ i ≤ M,1 ≤ j ≤ N)为样本j中CpG i的观测甲基化值。矩阵H为S个组分(列)和M个CpG(行)的甲基化谱矩阵,其中h??(1 ≤ i ≤ M,1 ≤ k ≤ S)表示组分k中CpG i的甲基化水平。矩阵W为N个样本(列)中S个组分(行)的权重矩阵,其中w??(1 ≤ k ≤ S,1 ≤ j ≤ N)表示组分k在样本j中的权重,可视为组分k在样本j中的比例。矩阵ε为分解的残差,为简化起见可予以忽略。因此,bulk水平下样本j中CpG i的甲基化值,即r??,可计算为所有组分中CpG i的甲基化水平(h??,1 ≤ k ≤ S)乘以对应组分在样本j中的比例(w??,1 ≤ k ≤ S)之和,如下式所示:
r?? = Σ(从k=1到S) h?? × w?? + ε??(公式3)
请特别注意,在矩阵R的最后一行添加了一个人工CpG作为内部参考,其中所有e?(1 ≤ j ≤ N)均设为1,表示所有样本中该位点完全甲基化。因此,可以通过将人工CpG在所有组分中的甲基化值保持为1(e'? = 1,1 ≤ k ≤ S),将分解后各组分的甲基化谱缩放至0–1范围。同时,由于每个组分在所有样本中的权重之和可以归一化为1(即100%),因为:
e? ≈ Σ(从k=1到S) e'? × w?? = Σ(从k=1到S)(1 × w??)= 1 ×(Σ(从k=1到S) w??)(公式4)
因此,当e? = 1(1 ≤ j ≤ N)时,样本j中所有组分(1 ≤ k ≤ S)的权重之和Σ(从k=1到S) w?? ≈ 1(1 ≤ j ≤ N)。
NMF通过使用Python的scikit-learn库中sklearn.decomposition模块的NMF函数来实现。
各组分对bulk数据的贡献量化
对bulk水平观测甲基化数据有贡献的每个组分,均可通过矩阵运算来量化:
(矩阵公式略)
对于组分k(1 ≤ k ≤ S),其中向量h??(1 ≤ i ≤ M)为该组分k中所有CpG的甲基化谱(即矩阵H的第k列),向量w??(1 ≤ j ≤ N)为组分k在所有样本中的权重(即矩阵W的第k行)。在乘积矩阵中,每个值h?? × w??(1 ≤ i ≤ M,1 ≤ j ≤ N)代表组分k对样本j中CpG i甲基化的贡献。
使用癌症和对照样本进行分解
将癌症样本和癌旁样本的RRBS数据合并后,针对每种癌症类型分别进行分解。选取在≥70%的样本中至少有10× reads覆盖度,且在各样本间AUC(受试者工作特征曲线下面积)≤35%或≥65%的CpG用于分解。基于预选的CpG,将癌症和癌旁样本的原始甲基化值合并为一个矩阵,并在该矩阵上实施NMF以生成约8–12个组分。最优组分数通过两步分解来确定:先用约5–6个组分进行粗分解,再对未确定的组分进行约8–10个组分的精分解,或反之。第二轮分解是在恢复矩阵上执行的,该恢复矩阵为未确定组分的H矩阵与W矩阵的乘积加上残差。
为确定与条件(即癌症或正常)相关的组分,使用双尾Student's t检验比较癌症样本与正常样本中各组分的比例。
组分的组织或细胞类型鉴定
使用经过处理的分选正常组织细胞的WGBS数据(GEO登录号GSE186458)和经过处理的癌症细胞系甲基化芯片数据(GEO登录号GSE68379),来鉴定每个组分对应的组织/细胞类型。对于每个组分,计算其甲基化谱与各种参考组织/细胞类型的甲基化谱之间的皮尔逊相关系数(PCC)。产生相对较高PCC的参考组织/细胞类型被认为与该组分相关。
从组织bulk数据中常规鉴定癌症标记物
使用包含至少一个CpG的200 bp滑动窗口来从组织bulk数据中检测癌症标记物。每个窗口的甲基化水平以平均甲基化分数(AMF)来衡量,AMF的计算方式为窗口区域内甲基化reads数与总reads数之比。然后通过双尾Mann-Whitney U检验、变化倍数,或癌症样本与正常样本之间中位数AMF的距离来鉴定差异窗口。重叠的且显示一致甲基化改变的显著差异窗口被合并为癌症高甲基化(HyperM)标记物和癌症低甲基化(HypoM)标记物,视具体情况而定。为了在血液样本中验证检测到的标记物,我们进一步将这些基于窗口的标记物与一个已用超过一千个血液样本验证的多癌早期检测现有panel进行重叠,以生成一组高质量标记物子集。
基于组分选择的cfDNA标记物验证富集分析
从组织bulk数据中常规选取的癌症标记物子集,通过在血液样本中评估正常样本与癌症样本之间cfDNA甲基化差异的显著性来进一步验证。这些标记物根据平均甲基化差异进行排名,该差异分别针对HyperM和HypoM标记物,计算自RRBS数据中分解的每个组分与20个健康血液样本之间。使用富集分数和Kolmogorov-Smirnov检验来评估cfDNA验证通过的标记物是否在排名列表的顶部富集,从而表明在组分水平上差异更大的标记物更有可能被cfDNA验证。
通过分解框架选择的癌症甲基化标记物与传统方法的头对头比较
首先按照上述方法从CRC的分解数据中确定癌症特异性组分,然后将所有CpG上的甲基化水平与该健康血液样本中的标记物进行比较。随后鉴定前1,000个差异位点(即DMCs)作为CRC的癌症-组分标记物。与此同时,我们还根据癌症和正常组织样本之间的AUC、甲基化差异、变化倍数和Mann-Whitney U检验,常规选取了前1,000个DMCs。为评估这些标记物,我们使用来自CFDA的独立RRBS cfDNA数据计算了CRC与健康样本之间的甲基化差异,并比较了我们的分解框架与每种传统方法的结果。除了DMCs,我们还使用200 bp滑动窗口鉴定了差异甲基化区域(DMRs),并使用与DMCs相同的评估数据集对其进行了评估。为了放大cfDNA中的甲基化信号,将RRBS cfDNA数据进行汇集(pooling)来计算每个癌症标记物的甲基化值。
多癌症数据的分解与TOO标记物的鉴定
将所有五种GI癌症的癌症样本和癌旁样本的RRBS数据,以及健康血浆和健康WBCs的RRBS数据合并进行分解。选取在每种癌症组别和每种癌旁组别中≥50%的样本里至少有10× reads覆盖度,且在五种癌症组别之间或五种癌旁组别之间显示显著差异(ANOVA检验p值<0.05)的CpG用于分解。然后对原始矩阵进行NMF,将其分解为40个组分。对于每种癌症类型,任何样本比例显著高于其他癌症类型的组分,均被视为该癌症的特异性组分。
使用每种癌症的各自特异性组分来鉴定TOO标记物。具体而言,将每个TOO组分的甲基化谱与其他所有癌症类型的TOO组分进行比较。差异最大值≤?0.1或差异最小值≥0.1的CpG分别被视为TOO低甲基化和TOO高甲基化标记物。
为了验证TOO标记物,我们利用现有的多癌检测panel来检验基于分解得到的TOO标记物在预定义的TOO标记物中的富集情况。分别针对HyperM和HypoM标记物,基于以下四个方面进行了单尾超几何检验:(i) panel中所有>36,000个CpG(全集);(ii) 每种癌症类型目标标记物中的CpG;(iii) 基于组分分解鉴定的TOO DMCs中panel所覆盖的CpG;以及(iv) (ii)和(iii)的重叠部分。超几何检验有助于确定基于分解得到的TOO标记物是否在每种癌症类型的预定义目标标记物中显著富集,从而验证其相关性和在多癌检测中的潜在效用。
Bulk转录组数据的NMF
Bulk转录组数据的NMF使用与RRBS数据类似的模型进行。简要而言,以基因归一化后的TPM(每百万转录本)值作为输入,添加一个人工参考基因——赋予一个等于所有样本中ACTB(β-肌动蛋白)基因平均表达水平的常数TPM。然后将所得的数据矩阵分解为H矩阵和W矩阵。
通过分解框架选择的癌症RNA标记物与传统方法的头对头比较
对癌症和癌旁的bulk转录组数据进行分解,产生9个组分。使用9个组分中的最大值对基因进行排名,其中前100个基因被鉴定为癌症标记物。与此同时,通过癌症和正常组织之间的分组比较,使用AUC、表达差异、变化倍数和Mann-Whitney U检验的p值等指标,常规选取前100个高表达基因作为标记物。为评估这些RNA标记物,我们使用独立的cfRNA-seq数据集计算了癌症与健康样本之间的表达差异,并将我们的分解框架所得结果与每种传统方法的结果进行了比较(图S18)。
基于分解转录组数据的亚型鉴定与功能分析
在肝癌转录组数据完成分解后,通过使用双尾t检验(校正p值<0.05)比较癌症样本与癌旁样本中的组分比例,来确定癌症富集组分。随后,根据组分比例模式将患者聚类为五组,并使用Kaplan-Meier方法进行生存分析。表现出独特组分比例模式和独特生存结果的聚类被确定为潜在的癌症亚型,相应的富集组分被定义为亚型特异性组分。最后,将每种亚型特异性组分的转录谱与其他癌症富集组分作为背景进行比较。
前500个上调基因和前500个下调基因使用WebGestalt在线工具进行功能富集分析,获得了亚型特异性的生物学功能。
定量和统计分析
统计分析:假设检验使用Python(版本3.6.9)中的scipy.stats模块(scipy版本1.5.4)进行,具体方法因不同分析而有所指定。两组间连续变量的比较采用t检验或Mann-Whitney U检验(视情况而定)。三组或更多组间连续变量的比较采用单因素方差分析。使用Kolmogorov-Smirnov检验评估子集在排序列表中的富集程度。多重检验校正采用Benjamini-Hochberg(BH)方法,特别是在确定组织特异性标记物时,校正后p值截断值为0.05(除非另有说明)。统计学显著性:*p < 0.05,**p < 0.01,***p < 0.001,****p < 0.0001。差异信号的评估综合考虑p值、受试者工作特征曲线下面积(AUC)、距离和log-fold change。
补充信息(1)PDF(7.38 MB)文档S1. 图S1–S18和表S1
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号