世和基因联合华西医院牛挺团队开发淋巴瘤无创检测Lymphoma模型

近日，世和基因与四川大学华西医院牛挺教授团队联合，基于Fragmentia-AI™序语大模型开发形成淋巴瘤无创检测Lymphoma模型。相关研究成果发表于国际期刊 Cell Communication and Signaling（IF=11.6）。

淋巴瘤的准确诊断及分型通常依赖组织活检和病理评估。对于深部或解剖位置难以到达的病灶，组织取样可能受限，临床亟需更微创、可重复的检测手段。cfDNA液体活检为此提供了新方向，但传统cfDNA检测往往需要较高测序深度，成本和检测门槛较高。尤其在超低深度条件下，肿瘤信号稀疏、预定义特征难以覆盖复杂片段模式，如何实现稳定、准确的检测成为关键挑战。

针对这一问题，研究团队采用Transformer架构与注意力机制，构建了Lymphoma模型。该模型能够直接从原始cfDNA片段序列中学习淋巴瘤相关信号，减少对人工预定义特征的依赖，从而更充分地挖掘片段组学中的复杂信息。

在研究设计上，训练队列共纳入389例样本，包括189例淋巴瘤和200例健康对照；独立验证队列共纳入390例样本，包括190例淋巴瘤和200例健康对照。独立验证结果显示，模型AUC达到0.944；在98%特异性下，敏感性为84.2%。在超低深度全基因组测序条件下，将样本输入的reads分别降采样至40,000条和4,000条时，模型AUC仍分别高于0.94和0.93，表明其在极低测序深度下仍具有稳健的检测性能。

探索性片段归因分析显示，对模型预测贡献较高的cfDNA片段长度更短、GC含量更高，并富集BCL11A、ELF4、TCF7等造血相关转录因子基序。这提示模型可能捕获了具有生物学关联的片段组学特征，而非仅依赖技术性噪声。

总体来看，该研究展示了AI大模型与超低深度cfDNA片段组学在淋巴瘤无创检测中的潜力，有望为降低检测成本、提高检测可及性提供新思路，并为后续临床转化研究奠定基础。