[논문 리뷰] Bivariate deconvolution for cancer detection after surgery

Nuria Senar, Stavros Makrodimitris외 4명|arXiv (Cornell University)|2026. 03. 18.

Cancer Genomics and Diagnostics인용 수 0

한 줄 요약

수술 후 cfDNA 메틸화에서 이변량 디컨볼루션 모델을 도입하여 종양 비율을 추정하고, 수술 전후 측정을 연결해 최소 잔여 질환 탐지를 향상시킴.

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.

연구 동기 및 목표

• 치료적 암 수술 후 민감한 MRD 탐지의 필요성을 동기부여한다.
• 수술 전후 cfDNA 메틸화 신호를 함께 모델링하는 이변량 디컨볼루션 프레임워크를 개발한다.
• 빠른 이산 컨볼루션으로 최대우도 방식으로 환자 특이적 종양 비율을 추정한다.

제안 방법

• 관찰치를 두 잠재 구성요소(종양과 배경)의 컨볼루션으로 모델링하고 환자 특이적 종양 비율로 가중한다.
• 특징별 상관 모수를 갖는 종양 및 배경 구성요소에 대해 이변량 로그-정규 분포를 가정한다.
• 빠른 우도 평가를 위해 이변량 밀도를 2D 격자로 이산화하고 세 단계의 블록 좌표 상승 최적화를 수행한다.
• 수술 전후 측정치를 활용하여 수술 후 종양 비율 추정을 안내하고 결과와 연결한다.
• 종양 조직과 건강 cfDNA 메틸화 프로파일을 사용해 파라미터를 초기화하고 식별 가능성 제약 pi^0_i > pi^1_i 를 강제한다.

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

실험 결과

연구 질문

• RQ1 cfDNA 메틸화 신호로부터 수술 후 종양 비율의 이변량 디컨볼루션 모델이 추정 정확성을 향상시킬 수 있는가?
• RQ2 수술 전 정보를 포함하고 특징별 상관을 도입하는 것이 잔여 질환 탐지 및 재발-free 생존과의 연관성에 어떤 영향을 미치는가?
• RQ3 이변량 접근법이 단변량 디컨볼루션 및 돌연변이 기반 VAF와 비교하여 1년 결과 예측에 얼마나 우수한가?
• RQ4 방법이 초기화에 대한 강건성과 측정 간 상관 부재 가능성에 대해 얼마나 강건한가?

주요 결과

• 시뮬레이션 연구에서 이변량 모델이 신호가 약할 때 특히 단변량 버전보다 수술 후 종양 비율을 더 정확하게 산출했다.
• 특징별 상관 매개변수를 포함하면 수술 후 종양 비율 추정과 실제 종양 비율 간의 연관성이 개선된다.
• 실제 CRLM MeD-seq 데이터(112명의 환자)에서 수술 후 메틸화 기반 종양 비율이 재발 여부가 있는 그룹과 없는 그룹을 상당히 구분하고 1년 재발-free 생존 예측에서 VAF 기반의 수술 후 비율보다 우수했다.
• 로지스틱 회귀와 ROC 분석에서 이변량 종양 비율이 재발의 더 강한 예측 변수임을 시사했다.
• 측정이 상관되지 않는 경우에도 이 방법은 강건하며 그 시나리오에서 전력 손실이 없었다.

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