ナノポアシーケンシングを模したAIによる中枢神経系腫瘍の手術中分類

J. de Ridderとそのチームは、手術中の中枢神経系（CNS）腫瘍の分類のためにSturgeonというニューラルネットワーク分類器の開発と使用について研究を行い、その結果をNature（DOI:10.1038/s41586-023-06615-2）で公開しました。チームは、手術前の正確な腫瘍タイプの判断のための現行方法の制約を対象とし、手術中にメチル化プロファイルを取得するためのナノポアシーケンシングの速い使用の可能な利点を探求しました。スパースデータを扱うために最適化されたSturgeon分類器は、模擬的なナノポアシーケンシングランで訓練されました。この研究は、Sturgeonがシーケンシング時間のわずか20-40分に基づいてCNS腫瘍サンプルを正確に分類できることを示しました。リアリスティックな手術中環境において、Sturgeonは、診断までのターンアラウンドタイムを90分未満とする能力を発揮し、手術の意思決定に影響を与えました。精密で信頼性の高い診断が神経外科の戦略を指導することの重要性が強調されました。ナノポアシーケンシングの使用は、設立費用の低さ、フォームファクターの小ささ、即時的なデータの利用可能性などの利点を提供しました。Sturgeonアプローチは一定量の組織を必要としましたが、より小さいサンプルでの成功したテストは、神経系の合併症の予防と追加手術の必要性を可能にする可能性を示唆しています。

研究者たちは、CNS腫瘍分類のためのSturgeonモデルを訓練し、検証するために、模擬的なナノポアシーケンシングデータを使用しました。具体的には、4つのニューラルネットワークをそれぞれ独立して訓練し、検証し、調整しました。訓練データは、Capperらの参照データセットから生成されたシミュレーションで構成され、元のクラス分布を維持しながら4つの折りに分かれていました。研究者たちは、2つの折りを使用してサブモデルを訓練し、1つの折りを使用して最も性能の良いサブモデルの状態を決定し、スコアカリブレーションを行い、最後の折りを使用してサブモデルの性能を評価しました。ニューラルネットワークは、0.6％から14％のスパーシティを範囲に持つシミュレーションを使用して事前に訓練され、その後、0.6％から6.3％のスパーシティを範囲に持つシミュレーションを使用して最終分類器のために細かく調整されました。モデルの性能を検証するために、研究者たちは、テストセットに6,000の模擬サンプルを提供する、左側のテスト折りに対する最終的な性能を評価しました。研究者たちは、すべてのスパーシティレベルで分類精度と他の指標を評価しました。また、研究者たちは、日常的な診断プロセスから得られた小児のメチル化プファイルと、GSE209865から得られた公開可能なナノポアシーケンシングデータの分類を行いました。 要約すると、Sturgeonモデルは、Capperらの参照データセットからのシミュレーションと公開可能なナノポアシーケンシングデータを含む模擬的なナノポアシーケンシングデータを使用して訓練および検証されました。モデルの性能は、さまざまな指標を使用して評価され、実際の小児メチル化プファイルで検証されました。

Sturgeonの訓練データセットは、患者の異なる年齢層（平均29歳、13歳未満は36％）から構成されています。まず、小児の状況でのSturgeonの性能をさらに検証することを目指しました。このために、私たちは、CNS腫瘍切除手術を受けた患者から取得されたIllumina Infinium Methyla-tionEPIC v1.0（以後、EPICと呼びます）アレイを使用して生成された94のゲノムワイドメチル化プロファイルを得ました。これらのサンプルのそれぞれに対して、公開可能なHeidelberg分類器（v11b4）が一般的な臨床ケアの一部として適用されました。この分類器は、Capperらの分類器のアップデートバージョンと考えることができます。臨床診断の推奨カットオフは0.84で、大多数のサンプル（n＝68）でこの分類器が達成しました。0.84のカットオフ以下に分類されたサンプルは、そのメチル化プロファイルに基づいて診断が困難であると考えられています。これは、以前に注釈付けられたクラスのいずれにも対応しない一般的でない腫瘍型、遺伝的な腫瘍素因症候群の文脈で発生する腫瘍、異質なサンプル、または腫瘍純度の低いサンプルで発生する可能性があります。各メチル化プロファイルについて、私たちは、合計332,500の模擬的なナノポアシーケンシング実験で、7回のシーケンシング深度で500回のナノポアシーケンシング実験を模擬し、その後、Sturgeon分類器を適用しました。

手術中に神経外科医は、腫瘍分類を予測するためにSturgeonニューラルネットワーク分類器を利用することができます。Sturgeon分類器は、手術中に腫瘍のメチル化プロファイルを取得することが可能な急速なナノポアシーケンシングに基づいています。この方法は、現在の術前画像や術中組織学分析の制限を克服します。これらは、常に確定的または正確な腫瘍型診断を提供できるわけではありません。

Sturgeon分類器は、スパースデータを処理するために最適化され、模擬的なナノポアシーケンシングランディングで訓練されました。それは、シーケンシングのわずか20-40分に基づいてCNS腫瘍サンプルを正確に分類することができます。リアルな手術中環境で、Sturgeonは診断までのターンアラウンドタイムを90分未満にする能力を示し、手術の意思決定に影響を与えました。迅速に分子サブタイプの診断を取得することで、神経外科医は腫瘍切除の範囲についてより具体的な決定を出すことが可能になり、神経損傷や合併症のリスクを最小限に抑えることができます。

Sturgeonアプローチにおいて、ナノポアシーケンシングの使用は、設立費用の低さ、フォームファクターの小ささ、即時的なデータの利用可能性などの利点を提供します。現在、Sturgeonアプローチには一定量の組織が必要ですが、より小さいサンプルでの成功したテストが示されています。全体として、手術中にSturgeon分類器を利用することで、神経外科医は精確で信頼性の高い腫瘍分類を達成するのに役立ち、手術の方針を指導し、神経系の合併症を予防し、追加的な手術の必要性を予防することが可能になります。