基于模拟的贝叶斯深度学习实现了对细胞游离 DNA 中肿瘤分数的具备不确定性感知的估计

背景：从全基因组无细胞 DNA 测序中估计肿瘤比例对于液体活检至关重要，但在低肿瘤比例条件下，这一过程受到信号微弱和基线噪声的限制。现有计算方法通常需要匹配的对照样本或用于训练的大规模标注数据集，且缺乏不确定性量化。为弥补这些不足，我们开发了 purNPE，这是一种无需标注癌症无细胞 DNA 样本即可训练的贝叶斯深度学习框架。具体而言，purNPE 利用一个由两部分组成的生成模型：其中一部分基于进化谱系模拟多样化的肿瘤拷贝数谱，另一部分则为数据驱动组件，用于从无癌无细胞 DNA 中学习并复制真实的测序背景模式。通过在加入所学习噪声的合成肿瘤谱上训练神经后验估计器，purNPE 能够在推断时无需参考样本集，并以毫秒级速度执行摊销推断。 结果：在真实世界的泛癌种队列中，针对正交突变等位基因频率验证，purNPE 取得了与现有方法相当的性能（MAE = 0.066）。计算机模拟和半合成实验表明，在所评估条件下，其分析灵敏度约为 1% 的肿瘤比例，并在低肿瘤比例下表现出很强的分类准确性（当 TF [≤] 3% 与对照比较时，AUC = 0.98）。 结论：本研究提供了一个利用基于模拟的推断来获得经过校准且具有不确定性感知的 TF 估计框架，为传统依赖数据的方法提供了一种潜在替代方案。

本网站正在使用一项安全服务来保护自身免受在线攻击。您刚刚执行的操作触发了该安全解决方案。可能触发此拦截的行为有多种，包括提交某些特定词语或短语、SQL 命令或格式错误的数据。

您可以向网站所有者发送电子邮件，告知您被拦截的情况。请在邮件中说明该页面出现时您正在进行的操作，并附上本页面底部显示的 Cloudflare Ray ID。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.15.732265v1?rss=1

🏷️ 液体活检 细胞游离DNA 肿瘤分数估计 贝叶斯深度学习 不确定性量化 模拟推断