GastroAlert:一种利用游离DNA进行胃癌早期检测的多模态表观遗传血液检测方法

GastroAlert: a multimodal epigenetic blood test for early detection of gastric cancer using cell-free DNA

作者信息Yong-Jie Xu, Jian-Feng Xu, Chang-Fa Xia, Yu-Jie Wu, Dian-Ge Li, Tie-Yan Liu, Huai-Ping Cui, Jin Zhang, Liang Shang, Wan-Qing Chen
PMID42676643
发布时间2026
DOI10.1016/j.mmr.2026.100066

实验完整度

高

包含发现队列和独立验证队列的病例对照研究,涉及cfDNA多模态特征(甲基化、核小体、片段化)检测及与常规蛋白标志物对比,并包含通路富集等机制分析。

主要模型

胃腺癌患者血浆cfDNA 良性胃病(慢性胃炎、胃息肉、LGIN及IM)患者血浆cfDNA 健康对照血浆cfDNA

重点核对

发现数据集包含53例胃癌、55例良性胃病、28例健康对照;验证数据集包含79例胃癌、40例良性胃病、30例健康对照 GastroAlert模型由甲基化、WPS和NOS三种特征整合而成,通过重复5折交叉验证构建 独立验证中GastroAlert AUC为0.965,敏感性0.898,特异性0.900 早期胃癌(I-II期)验证AUC为0.948

摘要

背景:胃癌仍然是全球癌症相关死亡率的主要原因之一,由于当前诊断方法的局限性,常常在晚期才被诊断。虽然基于游离DNA(cfDNA)的表观遗传分析已成为癌症早期检测的一个有前景的途径,但对胃癌中cfDNA表观遗传景观的全面研究仍然很少。为填补这一空白,我们旨在开发和验证一种多模态表观遗传血液检测方法,用于胃癌的无创检测。 方法:我们开发了GastroAlert,一种多模态表观遗传血液检测方法,它将cfDNA甲基化、核小体足迹和片段化特征整合到一个单一的诊断方法中,用于胃癌检测。利用一个定制设计的捕获探针面板来靶向胃癌相关的差异甲基化CpG位点和功能相关基因。然后在一个由136名参与者组成的发现数据集上进行了靶向酶促甲基化测序,包括53名胃癌患者、55名良性胃病个体和28名健康对照。随后,在一个由149名参与者组成的独立外部数据集中严格验证了GastroAlert的诊断性能,该数据集包括79例胃癌病例和70例非癌症对照。 结果:在发现数据集的交叉验证中,GastroAlert实现了0.950 [95%置信区间(CI) 0.874–0.995]的受试者工作特征曲线下面积(AUC),而常规蛋白质生物标志物的观察AUC范围为0.507至0.687。值得注意的是,锁定的GastroAlert模型在独立验证数据集中表现出稳健且可重复的性能,在区分胃癌患者与非癌症对照方面AUC为0.965 (95% CI 0.940–0.989)。对于临床关键的早期胃癌病例子集,该模型在发现数据集中AUC为0.921 (95% CI 0.862–0.980),在验证数据集中为0.948 (95% CI 0.910–0.985),仍然保持了较高的诊断效能。在验证数据集中的全部79例胃癌病例中,该模型在特异性为0.900时,总体敏感性达到0.898 (95% CI 0.813–0.948)。 结论:研究结果表明,cfDNA的多模态表观遗传分析为胃癌早期检测提供了一种稳健、无创的策略,具有改善患者预后的潜在临床效用。

实验结论

提炼研究问题、关键发现与证据,快速把握文章的核心贡献。

研究问题
开发并验证一种多模态表观遗传血液检测方法(GastroAlert),用于胃癌的无创早期检测。
核心机制
整合cfDNA甲基化、核小体足迹(WPS、NOS)和片段化特征,捕捉与胃癌相关的表观遗传改变,其中EMT通路相关改变在cfDNA中可检测。
主要证据
在136人发现队列和149人独立验证队列中,整合模型(甲基化+WPS+NOS)AUC达0.950和0.965,显著优于单一特征模型和常规蛋白标志物。
研究意义
GastroAlert作为无创筛查工具具有潜力,可改善胃癌早期检测,并可能扩展至其他癌症类型,但需进一步大规模前瞻性研究验证。

研究路径

按研究推进顺序梳理实验设计、验证步骤与关键观察。

1

参与者入组与样本收集

建立发现和验证队列,收集血浆样本用于cfDNA分析。

在多个中心招募胃癌患者、良性胃病患者和健康对照,收集外周血并分离血浆。

2

靶向EM-seq测序

获取cfDNA的甲基化、核小体占用和片段化特征数据。

使用定制捕获面板对血浆cfDNA进行深度靶向酶促甲基化测序(EM-seq),平均深度超过500×,转化率>99.5%。

3

特征提取与筛选

识别区分胃癌和非癌症对照的差异表观遗传特征。

计算甲基化分数、核小体占用分数(NOS)和保护分数(WPS),并通过单变量分析和Boruta特征选择筛选。

4

模型构建与内部验证

开发整合多模态特征的GastroAlert模型并评估其诊断性能。

使用随机森林分类器(ranger)构建模型,通过重复5折交叉验证评估性能。

5

独立外部验证

验证锁定模型在独立队列中的泛化性能。

在独立验证数据集(79例胃癌、70例非癌症对照)中评估GastroAlert的AUC、敏感性、特异性。

研究方法

按研究目的归类文中使用的方法,便于定位所需技术。

产品清单

实验环节名称品牌货号
NovaSeq 6000----
Gi2000全自动免疫分析仪Beijing Strong Biotechnology, Inc.--
CA72-4检测试剂盒----
CA19-9检测试剂盒----
AFP检测试剂盒----
CEA检测试剂盒----

关键环节

汇总复现实验时建议重点确认的条件及原文阅读提示。

环节核对要点
参与者招募
胃癌、良性胃病和健康对照的定义及排除标准,年龄和性别匹配
阅读提示:Methods 2.1 参与者入组
样本采集与处理
血样采集管类型、离心步骤、血浆分离方法
阅读提示:Methods 2.3 及补充文件
靶向捕获测序
捕获面板设计、测序深度、转化率
阅读提示:Methods 2.3 和 2.4
特征提取
滑动窗口参数、甲基化分数定义、WPS和NOS计算方式
阅读提示:Methods 2.5
模型构建
特征筛选阈值、Boruta参数、随机森林超参数
阅读提示:Methods 2.6
性能评估
样本量计算、统计检验方法、AUC和敏感性特异性计算
阅读提示:Methods 2.10