摘要3869：利用CpG甲基化特征实现跨平台的稳健多类癌症分类 免费

《Cancer Research》：Abstract 3869: Leveraging CpG methylation signatures for robust multi-class cancer classification across platforms Free

　　

摘要

背景：

原发部位不明的癌症（CUP）是一种转移性恶性肿瘤，其原发部位无法确定，通常导致经验性化疗和较差的治疗效果。DNA甲基化分析已成为提高肿瘤识别和分类的有效工具。通过利用独特的甲基化特征，这种方法可以提高诊断准确性并指导个性化治疗策略。

目的：

开发并验证一种基于特定CpG位点集的癌症类型分类预测模型。

方法：

从TCGA和其他公共数据集中获取了7,476名患者（涵盖21种癌症类型）的甲基化数据（Infinium HumanMethylation450）。数据被分为训练集和测试集。采用结合Shapley值和梯度提升的混合特征选择方法来识别CpG区域，并在测试集上评估模型性能。基于选定的CpG谱型进行Louvain聚类，以探索肿瘤表型并评估异质性与预测性能之间的关联。使用我们机构提供的31例（代表17种癌症类型）的Infinium MethylationEPIC v2.0数据进行了独立验证。

结果：

共选择了1,000个CpG区域。在测试的模型中，岭回归（Ridge regression）表现最佳，训练集的分类准确率（CA）为95.4%，AUC为0.998，F1分数为0.953，Matthews相关系数（MCC）为0.951。测试集的性能分别为：分类准确率94.7%，AUC为0.998，F1分数为0.945，MCC为0.943；独立验证的结果为：分类准确率87.1%，AUC为0.9993，F1分数为0.847，MCC为0.867。无监督分析揭示了20个不同的Louvain簇，突显了不同癌症类型之间的异质性。尽管异质性和纯度与MCC相关，但在调整混杂因素后，回归分析并未证实其独立的预测效应。

结论：

基于CpG的甲基化特征与岭回归相结合，实现了高度准确的多类癌症分类，并在不同平台上表现出良好的泛化能力。这些发现支持了甲基化分析在CUP诊断和个性化治疗规划中的临床应用价值。

引用格式：

Marco A. De Velasco, Kazuko Sakai, Daiki Nakatsu, Seiichiro Mitani, Shuji Minamoto, Takahiro Haeno, Hidetoshi Hayashi, Kazuto Nishio. 利用CpG甲基化特征实现跨平台的多类癌症分类 [摘要]。载于：2026年美国癌症研究协会年会论文集；第1部分（常规摘要）；2026年4月17-22日；加利福尼亚州圣地亚哥。费城（PA）：AACR；Cancer Res 2026;86(7 Suppl):Abstract nr 3869。