来源：安琪尔基因医学

引言

在癌症的诊断和治疗中，液体活检技术因其微创和能够提供实时生物学信息而受到广泛关注。特别是循环肿瘤细胞（circulating tumor cell，CTC）的检测，作为液体活检的重要组成部分，为癌症的早期发现、治疗响应监测和复发预警提供了新的视角。CTC是肿瘤细胞从原发肿瘤或转移灶脱落进入血液循环的细胞，它们的存在和特性可以反映肿瘤的动态变化和转移潜力。然而，由于CTC在血液中的数量稀少，且与血细胞等其他细胞类型相似，准确识别和分析CTC仍然是一个挑战。为了克服这些挑战，CTC-Tracer模型应运而生。这是一款基于深度迁移学习的算法，它通过校正原发肿瘤细胞与CTC之间的分布差异，实现了病变标签的跨域转移。CTC-Tracer不仅能够识别CTC，还能追溯其原始病变，发现CTC的基因标记，为癌症的非侵入性监测提供了一种新的策略。

模型概述

CTC-Tracer是一款基于迁移学习的算法，旨在纠正原发癌细胞与CTC之间的分布差异，实现从原发癌细胞图谱到CTC的病变标签转移。该模型通过整合单细胞RNA测序（scRNA-seq）数据，不仅能够识别CTC，追溯其原始病变，还能发现CTC的基因标记，为癌症的非侵入性监测提供了新的策略。

模型原理

CTC-Tracer模型主要分为特征提取器和分类器两部分。特征提取器利用多层全连接网络从RNA序列表达量中提取关键特征，而分类器则对这些特征进行精确分类。CTC-Tracer通过语义对齐和域自适应策略，识别共识聚类对和计算领域得分，生成CTC的伪标签，并通过对比领域差异和原型正则化方法优化模型，实现知识的有效迁移。CTC-Tracer模型原理如图1所示。

图1.CTC-Tracer模型原理

技术优势

CTC-Tracer在多个独立标准数据集上的稳定性和准确性验证，展示了其在CTC疾病溯源中的卓越潜力。与传统的细胞类型注释和图谱映射算法相比，CTC-Tracer在处理小样本数据集时显示出更高的准确性和稳定性，特别是在CTC和原发癌细胞的域移校正方面，CTC-Tracer的性能远超现有技术。CTC-Tracer与其它模型在多个数据集上的对比结果如图2所示。

图2.模型对比结果

应用场景

CTC-Tracer模型的实用性可以在以下几个关键场景中得到体现：

1.癌症早期筛查：CTC-Tracer能够在癌症早期通过血液样本检测CTC，为患者提供更早的诊断和治疗机会。

2.个性化治疗方案：通过追溯CTC至其原始肿瘤，CTC-Tracer帮助医生为患者定制更精准的个性化治疗方案。

3.治疗效果监测：在治疗过程中，CTC-Tracer可以监测CTC的变化，评估治疗效果，及时调整治疗策略。

4.癌症复发预警：治疗结束后，CTC-Tracer可用于监测患者的血液样本，预警癌症复发，为早期干预提供可能。

这些场景展示了CTC-Tracer在实际临床应用中的潜力，预示着它将在未来的癌症管理中发挥重要作用。随着技术的不断发展，CTC-Tracer的应用场景有望进一步扩展，为癌症患者带来更多福音。

结论

CTC-Tracer模型的开发为液体活检技术提供了一种重要的分析工具，它通过深度迁移学习技术有效地解决了CTC scRNA-seq数据不足的问题。在多个独立标准数据集上的验证表明，CTC-Tracer在CTC疾病溯源中展现出了良好的准确性和稳定性。这一模型的应用，已经显示出在癌症早期诊断、治疗监测和复发预警等方面的巨大潜力。随着进一步的研究和技术优化，CTC-Tracer有望在癌症诊疗领域扮演更加重要的角色，为患者带来更多希望。

然而，像所有新兴技术一样，CTC-Tracer也面临一些挑战和局限性。CTC的异质性极高，这要求模型在处理不同患者和不同类型的癌症时具有足够的灵活性和适应性。当前，CTC-Tracer在罕见癌症类型或低频CTC样本中的表现尚未得到充分验证，这将是未来研究的重点。最后，模型的临床应用也需要更多的前瞻性研究来评估其在实际医疗环境中的效用和可行性。

参考文献

[1] Guo, X., Lin, F., Yi, C., Song, J., Sun, D., Lin, L., Zhong, Z., Wu, Z., Wang, X., Zhang, Y., Li, J., Zhang, H., Liu, F., Yang, C., & Song, J. (2022). Deep transfer learning enables lesion tracing of circulating tumor cells. Nature Communications, 13, 7687. https://doi.org/10.1038/s41467-022-35296-0.