Das Deep Learning Framework iCanTCR ermöglicht die frühzeitige Erkennung von Krebs mittels des T-Zell-Rezeptor-Repertoires im peripheren Blut

Zusammenfassung: T-Zellen erkennen Tumorantigene und initiieren eine antikanzerogene Immunantwort in den frühesten Stadien der Tumorentwicklung, und die Antigenspezifität von T-Zellen wird durch den T-Zell-Rezeptor (TCR) bestimmt. Daher könnte die Überwachung von Veränderungen im TCR-Repertoire im peripheren Blut eine Strategie bieten, um verschiedene Krebsarten in einem relativ frühen Stadium zu erkennen. Hier haben wir das Deep Learning Framework iCanTCR entwickelt, um Patienten mit Krebs basierend auf dem TCR-Repertoire zu identifizieren. Das Framework iCanTCR verwendet TCRβ-Sequenzen eines Individuums als Eingabe und gibt die vorhergesagte Krebswahrscheinlichkeit aus. Das Modell wurde mit über 2.000 öffentlich verfügbaren TCR-Repertoires von 11 Krebsarten und gesunden Kontrollen trainiert. Die Analyse mehrerer zusätzlicher öffentlich verfügbarer Datensätze bestätigte die Fähigkeit von iCanTCR, Patienten mit Krebs von nicht-krebserkrankten Individuen zu unterscheiden, und zeigte die Fähigkeit von iCanTCR zur genauen Klassifikation mehrerer Krebsarten. Wichtig ist, dass iCanTCR präzise Personen mit Krebs im frühen Stadium mit einer AUC von 86% identifizierte. Insgesamt bietet diese Arbeit einen Ansatz zur flüssigen Biopsie, um Immunsignale aus peripherem Blut für die nicht-invasive Krebsdiagnose zu erfassen. Bedeutung: Die Entwicklung einer auf Deep Learning basierenden Methode zur Multikrebs-Erkennung unter Verwendung des TCR-Repertoires im peripheren Blut zeigt das Potenzial der Bewertung zirkulierender Immunsignale zur nicht-invasiven frühen Krebsdiagnose auf.