基于大语言模型的肿瘤DNA识别与溯源方法

本发明涉及分子识别，具体涉及基于大语言模型的肿瘤dna识别与溯源方法。

背景技术：

1、液体活检通过检测外周血游离dna（简称cfdna）获得肿瘤相关遗传、表观遗传及组织来源信息，可用于肿瘤早期筛查、复发监测、疗效评价和肿瘤负荷动态追踪。与组织活检相比，cfdna采样侵入性低、可重复进行，但在早期肿瘤、低肿瘤负荷、治疗后残留病灶或复发早期阶段，肿瘤来源dna片段在循环dna中占比很低，且与造血细胞、正常组织来源dna在片段长度、局部序列和甲基化状态上存在交叠，导致样本级平均信号容易被背景分子掩盖。

2、dna甲基化具有细胞类型特异性强、全基因组分布广、肿瘤发生过程中变化稳定等特点，因而可用于组织来源推断、肿瘤检测和肿瘤分数估计；现有多种甲基化液体活检方法通常依赖预定义差异甲基化区域、cpg岛、启动子区域、固定短序列片段特征或参考甲基化图谱，并在区域或样本层面先聚合读段后进行推断；上述路径没有在单条读段进入样本级聚合之前完成肿瘤来源判别，难以保留低丰度但高置信的肿瘤来源片段。

3、因此，如何提供一种针对经过预处理的亚硫酸氢盐测序读段的单分子肿瘤dna识别方法，在样本级聚合之前，将核苷酸序列、cpg甲基化状态和片段末端信息按固定结构编码为读段级输入，并输出每条读段的肿瘤样概率，以实现低丰度肿瘤dna片段识别与组织来源溯源。

4、需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本发明提供基于大语言模型的肿瘤dna识别与溯源方法，能够有效克服现有技术中存在的缺陷。

2、本发明的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。

3、根据本发明的第一方面，提供基于大语言模型的肿瘤dna识别与溯源方法，所述方法包括：

4、将待测样本集中每个测序读段比对至参考基因组，并识别所述测序读段在cpg位点的甲基化状态，将所述测序读段中甲基化cpg位点替换为mg标记，保留非甲基化cpg位点与非cpg位点核苷酸序列，并提取所述测序读段的片段末端信息，将测序读段转换为联合序列-甲基化字符串；

5、将所述联合序列-甲基化字符串进行序列构建处理，得到统一读段输入结构；所述读段输入结构为：[cls]-分子主序列-[sep]-片段末端基序-[sep]，其中，[cls]位置为对应测序读段的汇总向量位置；

6、将所述读段输入结构输入判别单元进行组织来源预测，以[cls]位置输出作为读段级向量，通过判别单元预测输出每个读段的肿瘤样概率。

7、在一些示例性实施方式中，所述片段末端信息中，选择所述测序读段中3'端6bp序列基序和mspi酶切位置作为片段末端结构，并记录所述测序读段的读段方向、片段长度与端点坐标。

8、在一些示例性实施方式中，所述将所述读段输入结构输入判别单元进行组织来源预测前，所述方法还包括：

9、获取包括肿瘤来源标注信息的数据集，基于所述肿瘤来源标注信息的数据集执行与待测样本集中每个测序读段相同的序列构建过程，得到包括肿瘤来源标注信息的读段输入结构，将其输入判别单元进行组织来源预测，以[cls]位置输出作为读段级向量，用于获取待测样本集中每个读段的肿瘤样组织来源。

10、在一些示例性实施方式中，所述肿瘤来源标注信息的训练集数据包括组织来源、肿瘤组织、邻近组织、正常组织及白细胞/造血背景；

11、并将所述[cls]位置的读段级向量连接来源预测头与白细胞/造血背景预测头，通过所述来源预测头与白细胞/造血背景预测头获取待测样本组织来源概率与白细胞/造血背景概率。

12、在一些示例性实施方式中，将所述读段输入结构输入判别单元进行组织来源预测后，所述方法还包括：基于肿瘤异种移植数据得到肿瘤阳性读段与阴性读段，基于所述肿瘤阳性读段与阴性读段执行与待测样本集中每个测序读段相同的序列构建过程，通过判别单元预测输出每个读段的肿瘤样概率。

13、在一些示例性实施方式中，所述肿瘤异种移植数据进行比对时，将肿瘤异种移植读段比对至参考基因组，若所述肿瘤异种移植读段仅比对至参考基因组时，则保留该读段位肿瘤阳性读段，否则，将所述肿瘤异种移植读段进行剔除，以白细胞/造血细胞读段为阴性背景分子，得到肿瘤阳性读段与阴性读段。

14、在一些示例性实施方式中，通过判别单元预测输出每个读段的肿瘤样概率，所述方法还包括：

15、基于所述肿瘤异种移植数据的比对过程构建双参考标签，通过双参考标签与每个读段的肿瘤样概率构建肿瘤dna预测头的监督损失函数，基于所述损失函数确定肿瘤dna判别边界。

16、在一些示例性实施方式中，将待测样本集输入预训练的预测模型进行预测处理，基于所述肿瘤dna预测头输出待测样本中每条读段的肿瘤样预测概率；

17、并基于所述肿瘤样预测概率计算待测样本集中所有读段的平均肿瘤样负荷；

18、预设概率阈值，判断概率阈值与所述肿瘤样预测概率的关系，通过指数函数获取高置信肿瘤样读段比例与富集读段集合，完成肿瘤dna识别。

19、在一些示例性实施方式中，完成肿瘤dna识别后，所述方法还包括：

20、将所述富集读段集合中每条读段的基因组定位记录为输入，对每条读段进行映射，得到读段记录表，所述读段记录表包括读段编号、基因组坐标、概率值、片段末端基序、甲基化状态和样本来源标识；将所述读段记录表与预设注释表逐条交叉映射，输出结构化来源表，所述结构化来源表包括读段编号、坐标、注释类别、概率值和来源标签，完成肿瘤dna溯源。

21、在一些示例性实施方式中，所述方法还包括预测模型的训练过程：

22、第一阶段训练：

23、获取无肿瘤标签的测序读段训练集，将训练集中每个测序读段比对至参考基因组，并识别所述测序读段在cpg位点的甲基化状态，基于所述甲基化状态将测序读段转换为联合序列-甲基化字符串；

24、将所述联合序列-甲基化字符串进行序列构建处理，得到统一读段输入结构；所述读段输入结构为：[cls]-分子主序列-[sep]-片段末端基序-[sep]，其中，[cls]位置为对应测序读段的汇总向量位置；将每个测序读段完成序列构建后，对读段输入结构进行掩码处理，构建每个读段输入结构对应的掩码重构损失，基于每个读段的掩码重构损失得到第一阶段训练初始化模型参数；

25、第二阶段训练：

26、获取包括肿瘤来源标注信息的训练集，以第一阶段训练初始化参数为参数起点，基于所述肿瘤来源标注信息的训练集执行与第一阶段训练相同的训练过程，得到包括肿瘤来源标注信息的读段输入结构，将其输入判别单元进行组织来源预测，获取组织来源概率与白细胞/造血背景概率，以[cls]位置输出作为读段级向量，通过监督参数更新方法获取组织来源预测概率与组织来源之间的损失，通过所述组织来源预测概率与组织来源之间的损失更新约束来源预测头，完成上述更新后，得到第二阶段训练模型参数；

27、第三阶段训练：

28、基于肿瘤异种移植数据得到肿瘤阳性读段与阴性读段，以第二阶段训练模型参数为参数起点，基于所述肿瘤阳性读段与阴性读段执行与第二阶段训练相同的训练过程，完成预测模型的训练。

29、本发明提出的基于大语言模型的肿瘤dna识别与溯源方法，在样本级聚合之前，将核苷酸序列、cpg甲基化状态和片段末端信息按固定结构编码为读段级输入，并输出每条读段的肿瘤样概率，以实现低丰度肿瘤dna片段识别、阈值富集、样本级负荷估计以及癌种或组织来源溯源。

30、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。