Abstracts: AACR Special Conference on Advances in Liquid Biopsies; January 13-16, 2020; Miami, FL Background: Detection of cancer in its early stages is likely to be the most effective way to improve clinical outcome. In patients with cancer, a portion of cell-free DNA (cfDNA) in the blood stream is tumor derived, providing an opportunity to analyze the cancer genome in real time noninvasively. MERMAID is a retrospective multicenter case-control study to investigate early tumor signatures in blood using different platforms. Methods: The study was conducted among 452 surgery-resectable patients with lung cancer (N=180), colorectal cancer (N=210), liver cancer (N=62), and 290 age-/sex- matched non-cancer controls. Patients who were recognized to have anemia, autoimmune diseases, treated with neoadjuvant therapy were excluded from the study. The non-cancer controls were recruited with the criteria of showing no clinical symptoms or history of cancer at time of administration. The participants were divided into subgroups and analyzed by ultra-deep mutation sequencing (HS-UMI), droplet digital PCR (ddPCR), and deep methylation sequencing (ELSA-seq) singly or in combination. Results: Overall, the highest accuracy was achieved using ELSA-seq and will be reported in full. Highly similar classification results were obtained in training and test sets, with the area under the curve (AUC) value ranging from 0.90-0.97. The specificity for each cancer type ranged from 96-99%, and the average sensitivities with 95CI were lung cancer (61%, 53-70%), colorectal cancer (82%, 76-87%), and hepatocellular cancer (91%, 80-96%). Moreover, incorporation of somatic variants and epigenetic alterations improved the overall accuracy. Conclusions: This study highlighted the potential of machine learning-aided deep methylation sequencing as a sensitive ctDNA profiling approach for early cancer detection. Further investigation in large-scale clinical studies is ongoing. Citation Format: Bingsi Li, Chenyang Wang, Jiayue Xu, Shuai Fang, Fujun Qiu, Jing Su, Huiling Chu, Han Han-Zhang, Xinru Mao, Hao Liu, Xianling Liu, Wei Zhang, Heng Zhao, Zhihong Zhang. Multiplatform analysis of early-stage cancer signatures in blood [abstract]. In: Proceedings of the AACR Special Conference on Advances in Liquid Biopsies; Jan 13-16, 2020; Miami, FL. Philadelphia (PA): AACR; Clin Cancer Res 2020;26(11_Suppl):Abstract nr A06.

中文翻译：

---

摘要A06：血液中早期癌症特征的多平台分析

摘要：AACR液体活检进展特别会议；2020年1月13日至16日；佛罗里达州迈阿密市背景：早期发现癌症可能是改善临床结局的最有效方法。在患有癌症的患者中，血液中无细胞DNA（cfDNA）的一部分是肿瘤来源的，从而提供了无创地实时分析癌症基因组的机会。MERMAID是一项回顾性多中心病例对照研究，旨在使用不同平台研究血液中的早期肿瘤特征。方法：本研究在452例可手术切除的肺癌（N = 180），大肠癌（N = 210），肝癌（N = 62）和290例年龄/性别匹配的非癌对照患者中进行。被排除患有贫血，自身免疫性疾病并接受新辅助疗法治疗的患者被排除在研究之外。以在给药时不表现出临床症状或癌症病史的标准招募非癌症对照。参与者被分为亚组，分别通过超深度突变测序（HS-UMI），液滴数字PCR（ddPCR）和深度甲基化测序（ELSA-seq）进行分析。结果：总的来说，使用ELSA-seq可获得最高的准确度，并将完整报告。在训练和测试集中获得了非常相似的分类结果，曲线下面积（AUC）值在0.90-0.97范围内。每种癌症类型的特异性范围为96-99％，对95CI的平均敏感性为肺癌（61％，53-70％），大肠癌（82％，76-87％）和肝细胞癌（91％ ，80-96％）。此外，体细胞变体和表观遗传学改变的结合提高了整体准确性。结论：这项研究强调了机器学习辅助的深度甲基化测序作为早期癌症检测中敏感的ctDNA分析方法的潜力。大规模临床研究的进一步研究正在进行中。引用格式：李炳思，王晨阳，徐佳悦，方帅，邱富俊，苏静，楚慧玲，韩汉章，毛新如，刘浩，刘贤玲，张伟，赵恒，张志宏。血液中早期癌症特征的多平台分析[摘要]。在：AACR液体活检进展特别会议录中；2020年1月13日至16日；佛罗里达州迈阿密。费城（PA）：AACR；Clin Cancer Res 2020; 26（11_Suppl）：Abstract nr A06。这项研究强调了机器学习辅助的深度甲基化测序作为早期癌症检测中敏感的ctDNA分析方法的潜力。大规模临床研究的进一步研究正在进行中。引文格式：李炳思，王晨阳，徐佳悦，方帅，邱富俊，苏静，楚慧玲，韩汉章，毛新如，刘浩，刘贤玲，张伟，赵恒，张志宏。血液中早期癌症特征的多平台分析[摘要]。在：AACR液体活检进展特别会议录中；2020年1月13日至16日；佛罗里达州迈阿密。费城（PA）：AACR；Clin Cancer Res 2020; 26（11_Suppl）：Abstract nr A06。这项研究强调了机器学习辅助的深度甲基化测序作为早期癌症检测中敏感的ctDNA分析方法的潜力。大规模临床研究的进一步研究正在进行中。引用格式：李炳思，王晨阳，徐佳悦，方帅，邱富俊，苏静，楚慧玲，韩汉章，毛新如，刘浩，刘贤玲，张伟，赵恒，张志宏。血液中早期癌症特征的多平台分析[摘要]。在：AACR液体活检进展特别会议录中；2020年1月13日至16日；佛罗里达州迈阿密。费城（PA）：AACR；临床癌症研究2020; 26（11_Suppl）：摘要编号A06。引用格式：李炳思，王晨阳，徐佳悦，方帅，邱富俊，苏静，楚慧玲，韩汉章，毛新如，刘浩，刘贤玲，张伟，赵恒，张志宏。血液中早期癌症特征的多平台分析[摘要]。在：AACR液体活检进展特别会议录中；2020年1月13日至16日；佛罗里达州迈阿密。费城（PA）：AACR；Clin Cancer Res 2020; 26（11_Suppl）：Abstract nr A06。引用格式：李炳思，王晨阳，徐佳悦，方帅，邱富俊，苏静，楚慧玲，韩汉章，毛新如，刘浩，刘贤玲，张伟，赵恒，张志宏。血液中早期癌症特征的多平台分析[摘要]。在：AACR液体活检进展特别会议录中；2020年1月13日至16日；佛罗里达州迈阿密。费城（PA）：AACR；Clin Cancer Res 2020; 26（11_Suppl）：Abstract nr A06。