黑色素瘤中的DNA甲基化谱分析：从病变分类到治疗分层
DNA Methylation Profiling in Melanoma: From Lesion Classification to Therapeutic Stratification
浏览论文内容
中文总结 AI 辅助
本研究基于1001份组织样本，用Illumina Infinium MethylationEPIC芯片分析DNA甲基化，构建CpG分类器区分黑素细胞痣、非侵袭性与侵袭性黑色素瘤，还构建生物学导向特征模型预测治疗分组，证实甲基化可作为诊断和治疗分层的生物标志物。
中文摘要 AI 辅助
DNA甲基化提供了细胞身份的稳定记录，捕获了表观遗传程序，这些程序在基因组相同的情况下区分不同的特化细胞状态。由于恶性转化和肿瘤进展伴随着广泛的表观遗传重塑，我们假设黑素细胞病变的甲基化组包含与生物学和临床相关的信息，可用于诊断和疾病进展。在一个由德国8所大学医院前瞻性收集的1001份组织样本队列中，使用Illumina Infinium MethylationEPIC芯片进行谱分析，我们比较了基于选定胞嘧啶-磷酸-鸟嘌呤（CpG）甲基化位点的机器学习模型，与纳入生物学导向特征的模型，包括表观遗传年龄加速、细胞类型组成和拷贝数变异负荷。在外部测试集中，最佳诊断分类器基于CpG，可区分黑素细胞痣（NV）、非侵袭性黑色素瘤（NIM）和侵袭性黑色素瘤（IM），其宏平均受试者工作特征曲线下面积为0.919（95%置信区间：0.878至0.952）。值得注意的是，在NV与IM之间甲基化程度最高和最低的CpGs中，NIM表现出中间的甲基化谱，为其诊断复杂性提供了分子相关性。针对临床相关治疗组预测的最佳模型，根据指南管理建议对AJCC分期进行分组，依赖于生物学导向特征，其宏平均平均绝对误差为0.627（95%置信区间：0.477至0.808）。综上，这些发现表明基于甲基化的模型可同时捕获诊断身份和临床相关的疾病分层，支持DNA甲基化作为有前景的生物标志物，有待进一步验证和潜在的临床转化。
英文摘要
DNA methylation provides a stable record of cellular identity, capturing epigenetic programs that distinguish specialized cell states despite a shared genome. Because malignant transformation and tumour progression are accompanied by extensive epigenetic remodeling, we hypothesized that the methylome of melanocytic lesions contains biologically and clinically relevant information for both diagnosis and disease progression. In a cohort of 1,001 tissue samples prospectively collected across eight German university hospitals profiled using Illumina Infinium MethylationEPIC arrays, we compared machine-learning models based on selected Cytosine phosphate Guanine (CpG) methylation sites with models incorporating biology-guided features, including epigenetic age acceleration, cell type composition and copy-number variation burden. In an external test set, the best diagnostic classifier was CpG-based and distinguished melanocytic nevi, noninvasive melanoma and invasive melanoma with a macro-averaged area under the receiver operating characteristic curve of 0.919 (95% CI: 0.878 to 0.952). Notably, across CpGs most strongly hyper- and hypomethylated between NV and IM, NIM showed an intermediate methylation profile, providing a molecular correlate of its diagnostic complexity. The best model for clinically relevant treatment group prediction, with AJCC stages grouped according to guideline-based management recommendations, relied on biology-guided features and achieved a macro-averaged mean absolute error of 0.627 (95% CI: 0.477 to 0.808). Together, these findings demonstrate that methylation-based models can capture both diagnostic identity and clinically relevant disease stratification, supporting DNA methylation as a promising biomarker for further validation and potential clinical translation.
发表机构
- German Cancer Research Center (DKFZ)（德国癌症研究中心）
- University Heidelberg（海德堡大学）
- Technische Universität Dresden（德累斯顿工业大学）
- University Hospital (UKSH), Kiel（基尔大学医院）
- LMU Munich（慕尼黑大学）
- Uniklinikum Erlangen（埃尔朗根大学医院）
- Bavarian Cancer Research Center (BZKF)（巴伐利亚癌症研究中心）
- Charité – Universitätsmedizin Berlin（柏林夏里特医学院）
- Freie Universität Berlin（柏林自由大学）
- Humboldt-Universität zu Berlin（柏林洪堡大学）
- Vivantes Hospital Spandau（施潘道维万特斯医院）
- Dermpath München（慕尼黑皮肤病理实验室）
- University Hospital Regensburg（雷根斯堡大学医院）
- University Hospital Essen（埃森大学医院）
- Deutsches Zentrum Immuntherapie (DZI)（德国免疫治疗中心）
机构由 AI 辅助整理，请以论文原文为准。
