Detailansicht
Tumor detection and risk stratification in Ewing sarcoma via methylation based liquid biopsy analysis
Nikolaus Mandlburger
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Bioinformatik
Betreuer*in
Claudia Plant
DOI
10.25365/thesis.72811
URN
urn:nbn:at:at-ubw:1-13844.14533.653284-2
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Flüssigbiopsie ist eine Methode, die Zusehens in der Diagnose und Überwachung von Krebs Anwendung findet. Während viele Flüssigbiopsie-Ansätze in der Krebsdiagnose auf krebsspezifischen Mutationen beruhen, sind solche genetischen Ansätze für viele pädiatrische Krebsarten aufgrund ihrer geringen Mutationslast nur von begrenztem Nutzen. Epigenetische Ansätze stellen eine Alternative dar und haben sich in mehreren Studien bereits als nützlich erwiesen. In dieser Studie habe ich maschinelles Lernen auf DNA-Methylierungsdaten angewandt, die aus zellfreier DNA im Blut gewonnen wurden, um minimal invasive Biomarker für das Ewing-Sarkom zu entwickeln. Dabei handelt es sich um einen pädiatrischen Knochenkrebs, für den ungelöste klinische Herausforderungen existieren. Ich erreichte Tumordetektion mit 100 % Sensitivität und 95 % Spezifität bei nur 0,55 % Tumoranteil an der zellfreien DNA im Blut. Auch bei der Erkennung von Metastasen und der Vorhersage von Rückfällen wurde eine vielversprechende Leistung erzielt, was auf die potenzielle Anwendbarkeit von Methylierungsinformationen als prognostische Biomarker beim Ewing-Sarkom schließen lässt. Bestandteil der Strategie bezüglich maschinellen Lernens war auch die Entwicklung eines neuen Ansatzes zur Merkmalsauswahl („feature selection“), den ich clusterMRMR genannt habe. Diese könnte auch für Klassifizierungsaufgaben außerhalb der Biologie Anwendung finden. Bei der Auswahl von Merkmalen für die Unterscheidung zwischen Ewing- und Kontrollgruppe zeigte sich, dass die via clusterMRMR ausgewählten Merkmale in genomischen Regionen mit bekannter Relevanz für hämatopoetische Zellen angereichert sind, was die Hypothese stützt, dass solche Regionen Kandidaten für krebsübergreifende Marker sein könnten. Schließlich konnte ich bestätigen, dass die enzymatische Methylierungssequenzierung („enzymatic methylation sequencing“, „EM-seq“) keine Verzerrungen der Längenverteilung der zellfreien DNA-Fragmente verursacht. Dies eröffnet die Möglichkeit, in Zukunft gleichzeitig sowohl Methylierungs- als auch Fragmentierungsanalysen mit EM-seq Daten durchzuführen.
Abstract
(Englisch)
Liquid biopsy is an emerging method in cancer diagnosis and monitoring. While many liquid biopsy approaches in cancer diagnosis rely on cancer specific mutations, such genetic approaches are only of limited use for many pediatric cancers due to their low mutational burden. Epigenetic approaches represent an alternative and have already proven useful in liquid biopsy assays. In this study, I applied machine learning to DNA methylation data obtained from cell-free DNA in the blood to develop minimally invasive biomarkers for Ewing sarcoma, a pediatric bone cancer with unmet clinical needs. I achieved sensitive tumor detection at tumor fractions as low as 0.55% with 100% sensitivity at 95% specificity. Reasonable performance was also achieved for metastasis detection and relapse prediction tasks, suggesting potential applicability of methylation information as prognostic biomarker in Ewing sarcoma. The applied machine learning framework also includes a newly developed feature selection approach termed clusterMRMR, which might be of general relevance also for classification tasks outside the field of biology. When tasked to select features informative for Ewing versus control classification, features yielded by clusterMRMR were found to be enriched in genomic regions with known relevance in hematopoietic cells, which lends support to the hypothesis that such regions might be candidates for pan-cancer markers. Finally, I was able to confirm that enzymatic methylation sequencing does not introduce bias to the length distribution of cell-free DNA fragments. This opens up the possibility to simultaneously perform both methylation and fragmentation-based analysis on enzymatic methylation sequencing data in the future.
Schlagwörter
Schlagwörter
(Deutsch)
Flüssigbiopsie DNA methylierung maschinelles Lernen Krebs Erkennung
Schlagwörter
(Englisch)
Liquid biopsy DNA methylation machine learning cancer detection
Autor*innen
Nikolaus Mandlburger
Haupttitel (Englisch)
Tumor detection and risk stratification in Ewing sarcoma via methylation based liquid biopsy analysis
Paralleltitel (Deutsch)
Tumorerkennung und Risikostratifizierung bei Ewing-Sarkom durch methylierungsbasierte Flüssigbiopsieanalyse
Publikationsjahr
2022
Umfangsangabe
51 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Claudia Plant
Klassifikationen
42 Biologie > 42.20 Genetik ,
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC16711536
Utheses ID
65401
Studienkennzahl
UA | 066 | 875 | |