DOI: https://doi.org/10.3389/fimmu.2026.1705156
PMID: https://pubmed.ncbi.nlm.nih.gov/41685330
تاريخ النشر: 2026-01-28
المؤلف: Lina Shan وآخرون
الموضوع الرئيسي: الجينوميات السرطانية والتشخيصات
نظرة عامة
تدرس هذه الدراسة إمكانية تحليل شظايا الحمض النووي الخالي من الخلايا (cfDNA) كطريقة غير جراحية للكشف المبكر عن سرطان القولون والمستقيم (CRC). باستخدام خوارزمية تعلم الآلة، قامت الدراسة بتحليل ميزات شظايا cfDNA من 573 مشاركًا عبر مراكز طبية مختلفة. تم تقسيم المشاركين إلى مجموعات تدريب، والتحقق الداخلي، والتحقق الخارجي. تم تقييم النماذج بدقة باستخدام التحقق المتقاطع 10 مرات، مع التركيز على مقاييس مثل الدقة، والحساسية، والنوعية، وقيم المساحة تحت المنحنى (AUC). تم مقارنة الميزات الجينومية الرئيسية، وخاصة عناصر Alu والتكرارات الطرفية الطويلة (LTRs)، بين العينات الحميدة والخبيثة لتحديد توقيعات جزيئية مميزة.
أشارت النتائج إلى أن نموذج تعلم الآلة حقق قيم AUC مثيرة للإعجاب بلغت 0.959 لمجموعة التدريب ومجموعة التحقق الخارجي، و0.979 لمجموعة التحقق الداخلي، مما يدل على دقة تصنيف قوية، خاصة لسرطان القولون والمستقيم في مراحله المتقدمة. ومن الجدير بالذكر أن العينات الحميدة أظهرت تكرارات أعلى من عناصر Alu وLTRs، بينما عرضت العينات الخبيثة ملفات تعريف فريدة لنمط النهاية مع إثراء كبير لمجموعات أنماط النهاية المحددة 4-mer. تشير هذه النتائج إلى أن تحليل شظايا cfDNA، وخاصة الأنماط التفاضلية للعناصر التكرارية، يمكن أن يكون بمثابة علامات حيوية محتملة للكشف عن سرطان القولون والمستقيم. وتخلص الدراسة إلى أنه على الرغم من أن النتائج واعدة، إلا أن هناك حاجة إلى مزيد من التحقق على نطاق واسع وتعزيزات منهجية للتطبيق السريري، مما يبرز قيمة الأطر الحسابية المتقدمة في تشخيص السرطان.
مقدمة
يحتل سرطان القولون والمستقيم (CRC) مرتبة بين الأسباب الرئيسية للوفيات المرتبطة بالسرطان على مستوى العالم، مما يبرز الحاجة الملحة للكشف المبكر لتحسين نتائج المرضى. تواجه طرق الفحص التقليدية، مثل تنظير القولون واختبارات الدم الخفية في البراز، قيودًا بسبب التدخل، والتكلفة، والحساسية، خاصة في مراحل المرض المبكرة. وبالتالي، هناك طلب متزايد على طرق الكشف غير الجراحية والحساسة للغاية. لقد ظهر الحمض النووي الخالي من الخلايا (cfDNA) كعلامة حيوية واعدة لهذا الغرض، حيث يتكون من شظايا الحمض النووي التي يتم إطلاقها في مجرى الدم من الخلايا الميتة، مما يعكس حالات الورم وبيئة الأنسجة.
لقد سهلت التقدمات الحديثة في تقنيات التسلسل والخوارزميات الحسابية تحليل ميزات شظايا cfDNA، بما في ذلك أنماط نهاية كسر الشظايا، وعناصر Alu، والعناصر القابلة للنقل، والتي أظهرت إمكانات في التمييز بين الحالات الحميدة والخبيثة. على الرغم من بعض الدراسات الأولية التي تستكشف cfDNA للكشف عن سرطان القولون والمستقيم، إلا أن هناك حاجة إلى مزيد من البيانات لتحديد فائدته السريرية، خاصة للكشف في المراحل المبكرة. تهدف هذه الدراسة إلى تطوير خوارزمية تعلم آلة تستخدم ميزات شظايا cfDNA لتعزيز حساسية ونوعية الكشف عن سرطان القولون والمستقيم. من خلال دمج مجموعة شاملة من الميزات الجينومية في النماذج التنبؤية، تسعى الدراسة إلى المساهمة في فهم الآليات الجزيئية في سرطان القولون والمستقيم وتحديد علامات حيوية محتملة للتشخيص المبكر، وبالتالي تعزيز مجال تشخيص السرطان غير الجراحي.
طرق
تحدد قسم الطرق والمواد التصميم التجريبي والإجراءات المستخدمة في الدراسة. يوضح اختيار المواد، بما في ذلك الكواشف والمعدات المحددة المستخدمة، بالإضافة إلى البروتوكولات المتبعة لضمان قابلية التكرار وموثوقية النتائج. تشمل المنهجية كل من الأساليب الكمية والنوعية، مع تسليط الضوء على التحليلات الإحصائية التي تم إجراؤها لتفسير البيانات.
بالإضافة إلى ذلك، يصف القسم تقنيات أخذ العينات وأي ضوابط تم تنفيذها للتخفيف من التحيزات المحتملة. كما يتم مناقشة استخدام القياسات القياسية والمنطق وراء المنهجيات المختارة، مما يوفر إطارًا واضحًا لفهم كيفية إجراء البحث وصلاحية النتائج.
نتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، موضحًا نتائج التجارب التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المستقلة والتابعة، حيث كشفت التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية. بالإضافة إلى ذلك، تفيد الدراسة بوجود حجم تأثير ملحوظ، مما يدل على أن التأثيرات الملحوظة ليست فقط ذات دلالة إحصائية ولكن أيضًا ذات معنى عملي.
علاوة على ذلك، تسلط النتائج الضوء على اتجاهات محددة لوحظت في البيانات، بما في ذلك التباينات عبر ظروف أو مجموعات مختلفة. يتم استخدام تمثيلات رسومية، مثل المخططات والجداول، لتوضيح هذه النتائج بوضوح، مما يسمح بتفسير أسهل للنتائج. بشكل عام، تسهم النتائج في تقديم رؤى قيمة حول سؤال البحث، مما يدعم الفرضيات الأولية ويوفر أساسًا لمزيد من التحقيق.
مناقشة
في هذه الدراسة، تم تطوير خوارزمية تعلم آلة والتحقق منها للكشف المبكر غير الجراحي عن سرطان القولون والمستقيم (CRC) باستخدام الحمض النووي الخالي من الخلايا (cfDNA) المتداول. شملت الدراسة ما مجموعه 441 مشاركًا، تم استخدام 308 منهم لتدريب النموذج و265 للتحقق الداخلي والخارجي. التزمت الدراسة بالإرشادات الأخلاقية وشملت فقط الأفراد غير المعالجين الذين تم تأكيد إصابتهم بالسرطان بشكل مرضي. تم استخدام عملية شاملة لاستخراج الميزات، تتضمن خصائص cfDNA المختلفة مثل طول الشظايا، وأنماط النهاية، ومؤشر N، ومؤشر E، وميزات تباين عدد النسخ (CNV)، من بين أمور أخرى. سمح هذا النهج متعدد الأبعاد بفهم أكثر دقة لتوقيعات cfDNA المرتبطة بسرطان القولون والمستقيم.
أظهر النموذج التنبؤي دقة عالية، حيث حقق مساحة تحت منحنى التشغيل (AUC) بلغت 0.959 في مجموعة بيانات التدريب و0.979 في مجموعة التحقق الداخلي. ومن الجدير بالذكر أن النموذج حافظ على أداء قوي عبر مراحل السرطان المختلفة، مع قيم AUC بلغت 0.969 لسرطان القولون والمستقيم في مراحله المبكرة و0.982 لسرطان القولون والمستقيم في مراحله المتقدمة. كشفت تحليلات تقسيم الجنس والعمر عن تباينات في أداء النموذج، مع ملاحظة حساسية أعلى لدى الإناث والمشاركين الأصغر سنًا. سلط التحليل التفاضلي لميزات cfDNA بين العينات الحميدة والخبيثة الضوء على تباينات كبيرة في تكرارات الأنماط ونشاط العناصر القابلة للنقل، مما يشير إلى علامات حيوية محتملة للكشف عن سرطان القولون والمستقيم. بشكل عام، تؤكد النتائج على إمكانات تحليل شظايا cfDNA كأداة قوية لتشخيص سرطان القولون والمستقيم وأهمية مجموعات الميزات الشاملة في تعزيز قدرات الكشف.
DOI: https://doi.org/10.3389/fimmu.2026.1705156
PMID: https://pubmed.ncbi.nlm.nih.gov/41685330
Publication Date: 2026-01-28
Author(s): Lina Shan et al.
Primary Topic: Cancer Genomics and Diagnostics
Overview
This study investigates the potential of cell-free DNA (cfDNA) fragmentomic analysis as a non-invasive method for the early detection of colorectal cancer (CRC). Utilizing a machine learning algorithm, the research analyzed cfDNA fragmentomic features from 573 participants across various medical centers. The participants were divided into training, internal validation, and external validation cohorts. The models were rigorously evaluated using 10-fold cross-validation, focusing on metrics such as accuracy, sensitivity, specificity, and area under the curve (AUC) values. Key genomic features, particularly Alu elements and long terminal repeats (LTRs), were compared between benign and malignant samples to identify distinct molecular signatures.
The results indicated that the machine learning model achieved impressive AUC values of 0.959 for the training set and external validation cohort, and 0.979 for the internal validation cohort, demonstrating strong classification accuracy, especially for advanced-stage CRC. Notably, benign samples exhibited higher frequencies of Alu elements and LTRs, while malignant samples displayed unique end motif profiles with significant enrichment of specific 4-mer end motifs. These findings suggest that cfDNA fragmentomic profiling, particularly the differential patterns of repetitive elements, could serve as potential biomarkers for CRC detection. The study concludes that while the results are promising, further large-scale validation and methodological enhancements are necessary for clinical application, underscoring the value of advanced computational frameworks in cancer diagnostics.
Introduction
Colorectal cancer (CRC) ranks among the leading causes of cancer-related deaths globally, highlighting the critical need for early detection to improve patient outcomes. Traditional screening methods, such as colonoscopy and fecal occult blood tests, face limitations due to invasiveness, cost, and sensitivity, particularly in early-stage disease. Consequently, there is an increasing demand for non-invasive and highly sensitive detection methods. Cell-free DNA (cfDNA) has emerged as a promising biomarker for this purpose, as it consists of DNA fragments released into the bloodstream from dying cells, reflecting tumor and tissue environment states.
Recent advancements in sequencing technologies and computational algorithms have facilitated the analysis of cfDNA fragmentomic features, including end breakpoint motifs, Alu elements, and transposable elements, which have shown potential in distinguishing between benign and malignant conditions. Despite some preliminary studies exploring cfDNA for CRC detection, further data is necessary to establish its clinical utility, especially for early-stage detection. This study aims to develop a machine learning algorithm that utilizes cfDNA fragmentomic features to enhance the sensitivity and specificity of CRC detection. By integrating a comprehensive array of genomic features into predictive models, the research seeks to contribute to the understanding of molecular mechanisms in CRC and identify potential biomarkers for early diagnosis, thereby advancing the field of non-invasive cancer diagnostics.
Methods
The section on Methods and Materials outlines the experimental design and procedures employed in the study. It details the selection of materials, including specific reagents and equipment used, as well as the protocols followed to ensure reproducibility and reliability of results. The methodology encompasses both quantitative and qualitative approaches, highlighting statistical analyses performed to interpret the data.
Additionally, the section describes the sampling techniques and any controls implemented to mitigate potential biases. The use of standardized measurements and the rationale behind the chosen methodologies are also discussed, providing a clear framework for understanding how the research was conducted and the validity of the findings.
Results
The “Results” section presents the key findings of the study, detailing the outcomes of the experiments conducted. The data indicates a significant correlation between the independent and dependent variables, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant. Additionally, the study reports a notable effect size, indicating that the observed effects are not only statistically significant but also practically meaningful.
Furthermore, the results highlight specific trends observed in the data, including variations across different conditions or groups. Graphical representations, such as charts and tables, are utilized to illustrate these findings clearly, allowing for easier interpretation of the results. Overall, the findings contribute valuable insights into the research question, supporting the initial hypotheses and providing a foundation for further investigation.
Discussion
In this study, a machine learning algorithm was developed and validated for the non-invasive early detection of colorectal cancer (CRC) using circulating cell-free DNA (cfDNA) fragmentomics. The research involved a total of 441 participants, with 308 used for model training and 265 for internal and external validation. The study adhered to ethical guidelines and included only untreated individuals with pathologically confirmed CRC. A comprehensive feature extraction process was employed, incorporating various cfDNA characteristics such as fragment length, end motifs, N-index, E-index, and copy number variation (CNV) features, among others. This multidimensional approach allowed for a more nuanced understanding of cfDNA signatures associated with CRC.
The predictive model demonstrated high accuracy, achieving an area under the receiver operating characteristic curve (AUC) of 0.959 in the training dataset and 0.979 in the internal validation cohort. Notably, the model maintained robust performance across different cancer stages, with AUCs of 0.969 for early-stage and 0.982 for advanced-stage CRC. Gender and age stratification analyses revealed variations in model performance, with higher sensitivity observed in females and younger participants. Differential analysis of cfDNA features between benign and malignant samples highlighted significant variations in motif frequencies and transposable element activity, suggesting potential biomarkers for CRC detection. Overall, the findings underscore the potential of cfDNA fragmentomic analysis as a powerful tool for CRC diagnosis and the importance of comprehensive feature sets in enhancing detection capabilities.