乳腺癌是全球第二大常见癌症。DNA甲基化是早期检测乳腺癌的潜在标志物。基于荧光定量聚合酶链反应(qPCR)的DNA甲基化检测更简单、更快速，但目前的方法受到多重检测和特异性的限制。因此，亟需开发基于qPCR的多重甲基化检测方法。
近期，苏州医工所周连群研究员团队提出了一种使用阻断荧光共振能量转移(FRET)探针和机器学习辅助的四重定量甲基化熔解曲线方法(BFML-qMC)来检测早期乳腺癌的4个生物标志物（cg11754974、cg13828440、cg18637238和cg16652347）。该方法采用FRET探针进行单通道荧光复用，有效抑制非甲基化产物的扩增，同时选择性地扩增甲基化序列。此外，该方法与机器学习技术相结合，以提高熔解曲线的分辨率。利用scikit-learn中的MultiOutputClassifier构建多目标分类器，以Light Gradient-Boosting Machine (LightGBM)作为分类模型，对实验数据进行训练，解决团队遇到的多峰任务中的分类问题。团队利用于自癌症阳性患者的早期乳腺癌临床标本和健康样本进行对照实验，验证了BFML-qMC方法的分析性能，实现了早期乳腺癌患者与正常对照的有效区分（AUC为0.8938，优于QMSP方法(0.7492)）。该研究成果可以作为一个有价值的工具，并表明机器学习与熔解曲线方法中阻断FRET探针的结合使用可以有效推进多重甲基化检测，提高早期乳腺癌临床诊断的准确性。
该研究成果以“Multiplex Methylation Detection Assays Using a Blocking FRET Probe with Machine Learning-Assisted Quantitative Melting Curve Method Targeting Early Breast Cancer”为题，发表在期刊Chemical Engineering Journal（中国科学院一区）。苏州医工所张威研究员、李金泽副研究员、周连群研究员为共同通讯作者，博士生陶明丽为论文第一作者。本研究得到国家重点研发计划项目、国家自然科学基金项目和中国科学院青年创新促进会等项目的资助。
论文链接：https://doi.org/10.1016/j.cej.2024.155093
图1 多重甲基化检测流程图
附件下载：
