编辑推荐：
这篇研究通过机器学习模型分析外周血DNA甲基化数据，成功预测Li-Fraumeni综合征（LFS）患者中TP53致病性变异（PV）携带者在6岁前发生原发性肿瘤的风险。研究基于237例患者数据构建支持向量机（SVM）模型，验证集（n=64）和外部测试集（n=79）显示AUROC达0.928，阴性预测值（NPV）为0.984，准确率91%。该工具可优化临床监测策略，减轻患者筛查负担，为个性化癌症预防提供新思路。
Li-Fraumeni综合征（LFS）是一种由TP53基因种系致病性变异（PV）导致的常染色体显性遗传病，患者终生癌症风险显著升高。尽管多伦多监测方案（Toronto Protocol）通过影像学和生化检测提高了早期肿瘤检出率，但其“一刀切”策略未考虑个体差异。本研究利用外周血DNA甲基化数据，开发了一种支持向量机模型，用于预测TP53 PV携带者在6岁前发生原发性肿瘤的风险。模型在验证集和外部测试集中表现出色，AUROC分别为0.938和0.928，阴性预测值（NPV）高达0.984，准确率达91%。这一工具为LFS患者的风险分层和个性化监测提供了重要依据。
LFS患者中约80%携带TP53 PV，其癌症谱广泛且发病年龄早，约51%的病例在儿童期确诊。现有监测方案虽能改善生存，但频繁的全身MRI和麻醉对幼儿负担沉重。此外，TP53突变类型（如错义突变）与早发癌症相关，但现有标志物（如mir-605、MDM2 SNP309）预测能力有限。研究表明，突变p53通过代谢重编程（如降低α-酮戊二酸和S-腺苷甲硫氨酸水平）导致DNA甲基化异常，这可能成为早期癌症的生物标志物。
预测6岁前癌症发生
模型在验证集中正确分类了90%的早发癌症患者和87%的无癌个体。值得注意的是，一例患者在采样7个月后被诊断为肾上腺皮质癌（ACC），模型提前给出了高风险预警。假阳性病例中，两例实际癌症发病年龄接近阈值（6岁3个月和15岁），提示模型对临界年龄的敏感性。
模型稳健性验证
通过排除4228个年龄相关甲基化位点，证实模型预测不受采样年龄干扰。癌症无进展者（n=51）的预测评分均低于决策阈值，无论采样年龄（0-76岁）。此外，模型在4岁和5岁阈值下的表现略逊于6岁阈值，支持后者作为最佳分界点。
TP53变异与临床特征的作用
包含TP53变异类型（如错义突变）的模型性能最优（AUROC=0.928），而仅依赖变异类型时预测能力显著下降（AUROC=0.522）。家族史和系统性治疗状态对模型改进有限，后者甚至降低AUROC 0.161，可能与治疗诱导的甲基化扰动有关。
甲基化特征解析
129个关键甲基化位点富集于3’UTR区域，涉及RET、LEF1等癌相关基因及高尔基体相关通路（如GOPC、SPPL2B）。通路分析显示，这些位点与IL-4信号通路显著相关（p=6.212×10−3），提示免疫微环境调控在早发癌症中的作用。
免疫细胞比例分析
早发癌症患者外周血中B细胞和CD8+ T细胞比例升高，中性粒细胞减少（p<8.6×10−5）。但直接纳入细胞比例特征未提升模型性能，表明甲基化变化独立于免疫组成。
本研究首次证实外周血甲基化可作为LFS患者早发癌症的无创预测工具。模型通过风险分层可减少93%不必要的筛查，优于现有临床方案的假阳性率。生物学上，3’UTR甲基化可能通过干扰miRNA结合或RNA稳定性驱动肿瘤发生，与既往发现的miR-34a甲基化机制一致。局限性包括回顾性设计的采样时间异质性，需前瞻性研究验证。未来可探索甲基化特征在其它遗传性肿瘤综合征中的应用。
研究纳入497例TP53 PV携带者，其中398例完成450k/850k甲基化芯片检测。数据预处理包括ssNoob归一化、批次效应校正（PCA）和平台间数据映射。特征选择通过Bumphunter鉴定TP53相关DMRs，最终保留129个3’UTR基因位点。模型训练采用5折交叉验证，决策阈值优化为0.34（FN:FP=2:1）。SHAP值分析揭示错义突变和LEF1甲基化为关键贡献因子。
生物通 版权所有
