[論文レビュー] Bivariate deconvolution for cancer detection after surgery

Nuria Senar, Stavros Makrodimitris+4 more|arXiv (Cornell University)|Mar 18, 2026

Cancer Genomics and Diagnostics被引用数 0

ひとこと要約

二変量デコンボリューションモデルを導入し、cfDNAメチル化から手術後の腫瘍分画を推定。術前・術後の測定を結びつけて最小残存病変検出を改善。

ABSTRACT

Detection of minimal residual disease (MRD) in cancer patients after surgery can provide an early marker for disease recurrence and guide subsequent treatment decisions. Accurate and sensitive estimation of tumour burden after cancer surgery may be obtained through liq- uid biopsies, measuring circulating tumour DNA (ctDNA) using, for example, mutation-based Variant Allele Frequency (VAF) values. However, to be applicable to all patients this ei- ther requires tumour-informed, patient-specific mutation panels or sensitive, tumour-agnostic genome-wide measurements. We propose a solution that accounts for patient-specific charac- teristics in genome-wide screens. For that, we introduce a bivariate deconvolution model to estimate tumour proportion from circulating cell-free DNA (cfDNA) methylation profiles of patients before and after surgery. The observations are modelled as a convolution of two bivariate latent variables, corresponding to tumour and background signals, mixed by the tumour proportion at each measurement. This bivariate approach links pre- and post-surgery measurements improving estimation of the tumour proportion after surgery, when the tumour signal is potentially very weak, or absent. We approximate likelihood of the convolution through a discretisation of the bivariate density for each latent variable into a two-dimensional grid for each pair of observations which allows for fast maximum likelihood estimation. We evaluate the predictive performance of the estimated post-surgery tumour proportions based on cfDNA methylation against available mutation-based VAF values in one-year recurrence-free survival.

研究の動機と目的

• 根治的がん手術後の敏感なMRD検出の必要性を動機づける。
• 術前・術後のcfDNAメチル化信号を共同モデル化する二変量デコンボリューションフレームワークを開発する。
• 高速離散畳み込みを用いた最大尤度法で患者特異的腫瘍分画を推定する。

提案手法

• 観測値を腫瘍成分と背景成分という2つの潜在成分の畳み込みとしてモデル化し、患者特異的腫瘍分画で重み付けする。
• 腫瘍成分と背景成分に対して特徴ごとの相関パラメータを用いた二変量対数正規分布を仮定する。
• 2Dグリッドへ二変量密度を離散化し、迅速な尤度評価のための3段階のブロック座標上昇最適化を実行する。
• 術前・術後の測定を用いて術後の腫瘍分画推定を情報化し、アウトカムへ結びつける。
• 腫瘍組織および健常cfDNAメチル化プロファイルを用いてパラメータを初期化し、識別性制約pi^0_i > pi^1_iを課す。

Figure 1 : Example of discretisation for $y^{1}=40$ and $y^{0}=30$ with $m=8$ bins. The midpoints of $C_{r}^{0}(C_{s}^{1})$ are represented by centred dots in each cell. For the left grid, the first row ( $r=1$ ) and column ( $s=1$ ) represent the intervals for which values of $\tilde{{T}}^{0}$ and

実験結果

リサーチクエスチョン

• RQ1 二変量デコンボリューションモデルはcfDNAメチル化信号から術後の腫瘍分画推定を改善できるか。
• RQ2 術前情報および特徴ごとの相関を取り入れることで残存病変検出と再発-free生存との関連はどう変化するか。
• RQ3 二変量アプローチは一変量デコンボリューションおよび変異ベースのVAFと比較して1年後の予測にどの程度効果的か。
• RQ4 初期化の頑健性および測定間の相関が欠如した場合の影響はどうか。

主な発見

• 二変量モデルは信号が弱い場合でも術後の腫瘍分画を一変量版より高精度に推定できることをシミュレーションで示した。
• 特徴ごとの相関パラメータの導入により術後の腫瘍分画推定と真の腫瘍割合との関連性が改善された。
• 実データCRLM MeD-seq（112例）では、術後のメチル化ベース腫瘍分画が再発群と非再発群を有意に分離し、1年再発-free予測においてVAFベースの術後分画を上回った。
• ロジスティック回帰およびROC分析は、二変量腫瘍分画がVAFベース指標より再発の予測力が強いことを示した。
• 測定が相関しない場合でも手法は頑健であり、そのシナリオでは検出力の低下を生まない。

Figure 2 : $\hat{\boldsymbol{\pi}}^{1}_{\text{VAF}}$ and $\hat{\boldsymbol{\pi}}^{1}$ .