深度学习auc_癌症早筛新方法：深度学习算法结合TCR免疫组库开发新型预测工具，在多种癌症中AUC超过 0.95。...

       今天分享的文献是由美国德克萨斯大学达拉斯西南医学中心研究团队于2020年8月在Science Translational Medicine发表的关于TCR免疫组库与深度学习在癌症早筛中应用的文章《De novo prediction of cancer-associated T cell receptors for noninvasive cancer detection》，影响因子为11.640。文章目的是开发一种新型液体活检方法，即仅需少量外周T细胞就可对多种早期无症状癌症进行判别。同时，研究团队还应用超过250名癌症和600名健康捐赠者来评估该工具的性能，结果表明DeepCAT在多种早期癌症中预测性能较好(AUC≥0.95)。

背景

       大多数癌症如果在早期能够诊断出来是可以被治愈的。传统上已经有影像学(肠镜、X光、CT等)，生物标志物(CA-125、 CA-153、cfDNA)等方法用于癌症早筛。不难发现，这些方法都过于依赖于肿瘤相关分子，而在癌症早期这些分子的水平较低。因此，必须寻找新的早筛方法克服传统上早期肿瘤检测的困难。

       在这篇文章中，作者探讨了免疫组库作为癌症诊断方法的可行性。以往的研究发现，免疫组库中存在一定比例的肿瘤抗原驱动的T细胞优势克隆。而靶向同一肿瘤抗原的T细胞表面受体(TCR)的可能存在共同的生化特征。基于这些特征，利用深度学习算法开发了DeepCAT工具，同时还提出癌症评分作为临床早期癌症的判断指标。

结果

1．DeepCAT工具设计流程

        数据来源：TCGA中32个癌种的4200个RNA-seq，利用TRUST算法获取CDR3区域的序列，然后去除与对照数据集中共有的序列(训练数据集)。来源于Emerson等团队提供的健康捐赠者的外周T细胞(对照数据集)。

特征选择：将CDR3 AA序列转换成二维图像，利用PCA对AA indices database中的特征进行编码。

模型构建：经过2次Conv,对长度为12-16的序列分别建立模型。然后，在经历1次Dense随机去除40%的数据，防止过拟合。

输出:癌症相关的概率。

图1  DeepCAT工作