液態活檢作為一種非侵入性的診斷工具，近年來備受關注。其中，無細胞核酸（cell-free nucleic acids, cfNAs），尤其是無細胞DNA（cell-free DNA, cfDNA），在癌症早期檢測、治療監測和預後評估等方面展現出巨大的潛力。然而，cfDNA 的主要挑戰之一是其來源的多樣性。cfDNA 來自於各種細胞，包括腫瘤細胞、免疫細胞、內皮細胞等等。因此，準確地推斷 cfDNA 的細胞類型來源，對於理解疾病的病理機制、開發更精準的診斷和治療策略至關重要。
cfDNA 細胞類型推斷的重要性
傳統的液態活檢主要集中於檢測循環腫瘤細胞（circulating tumor cells, CTCs）或腫瘤來源的 cfDNA（circulating tumor DNA, ctDNA）。然而，ctDNA 通常只佔 cfDNA 的一小部分，尤其是在疾病早期或腫瘤負荷較低的情況下。因此，僅僅關注 ctDNA 可能會錯失重要的臨床資訊。
更重要的是，cfDNA 不僅僅是腫瘤細胞死亡的產物，它也反映了體內其他細胞的生理和病理狀態。例如，免疫細胞來源的 cfDNA 可以提供關於免疫系統活性的資訊，內皮細胞來源的 cfDNA 可以反映血管生成的狀況。因此，通過分析 cfDNA 的細胞類型組成，我們可以更全面地了解疾病的進展和患者的反應。
細胞類型推斷的挑戰
儘管細胞類型推斷具有巨大的潛力，但實現起來卻面臨著諸多挑戰：
cfDNA 的片段化和降解：
cfDNA 在血液中高度片段化，且容易受到降解。這使得準確地確定其來源變得困難。
細胞類型特異性標記的缺乏：
許多細胞類型之間共享相似的基因表達譜，缺乏獨特的、易於檢測的標記。
背景噪音：
來自非目標細胞的 cfDNA 會產生背景噪音，降低分析的靈敏度和特異性。
計算複雜性：
分析複雜的 cfDNA 數據需要大量的計算資源和精密的算法。
樣本異質性：
不同患者的 cfDNA 組成可能存在顯著差異，這使得開發通用的推斷模型變得困難。
細胞類型推斷的方法
目前，研究人員已經開發了多種方法來推斷 cfDNA 的細胞類型來源，主要可以分為以下幾類：
DNA 甲基化分析
DNA 甲基化是一種表觀遺傳修飾，在不同細胞類型中呈現出不同的模式。通過分析 cfDNA 的甲基化模式，可以推斷其細胞類型來源。例如，研究人員利用全基因組亞硫酸氫鹽測序（whole-genome bisulfite sequencing, WGBS）或簡化的代表性亞硫酸氫鹽測序（reduced representation bisulfite sequencing, RRBS）等技術，分析 cfDNA 的甲基化圖譜，並將其與已知細胞類型的甲基化圖譜進行比較，從而確定 cfDNA 的細胞類型組成。
優點：
DNA 甲基化模式相對穩定，且具有較高的細胞類型特異性。
缺點：
WGBS 和 RRBS 的成本較高，且需要大量的 DNA 輸入。
基因表達譜分析
雖然 cfDNA 本身不包含 RNA，但研究人員可以通過分析 cfDNA 周圍的蛋白質或 RNA，間接推斷其來源細胞的基因表達譜。例如，可以分析與 cfDNA 結合的組蛋白修飾，或者分析與 cfDNA 共分離的 RNA 分子。
優點：
可以提供關於細胞活性的資訊。
缺點：
間接方法，可能受到其他因素的影響。
片段大小分析
不同細胞類型的 cfDNA 片段大小可能存在差異。例如，來自凋亡細胞的 cfDNA 片段通常比來自壞死細胞的 cfDNA 片段更短。通過分析 cfDNA 的片段大小分佈，可以推斷其細胞類型來源。
優點：
簡單易行。
缺點：
細胞類型特異性較低，容易受到其他因素的影響。
突變分析
如果 cfDNA 包含特定的突變，例如腫瘤特異性突變，則可以確定其來源細胞。例如，通過分析 cfDNA 中的 KRAS 或 EGFR 突變，可以確定其是否來自腫瘤細胞。
優點：
特異性高。
缺點：
僅適用於具有特定突變的細胞。
機器學習方法
機器學習算法可以整合多種數據來源，例如 DNA 甲基化、基因表達譜和片段大小等，建立更精確的細胞類型推斷模型。例如，研究人員利用支持向量機（support vector machine, SVM）或深度學習等算法，訓練模型來區分不同細胞類型的 cfDNA。
優點：
可以整合多種數據來源，提高推斷的準確性。
缺點：
需要大量的訓練數據，且模型的解釋性較差。
最新進展與案例分析
近年來，細胞類型推斷領域取得了顯著的進展。例如，一些研究團隊開發了基於 DNA 甲基化的方法，可以準確地推斷 cfDNA 中腫瘤細胞、免疫細胞和內皮細胞的比例。這些方法已被應用於癌症早期檢測、治療監測和預後評估。
癌症早期檢測：
通過分析 cfDNA 中腫瘤細胞的比例，可以早期檢測癌症，甚至在出現臨床症狀之前。
治療監測：
通過監測 cfDNA 中腫瘤細胞的比例，可以評估治療的反應，並及時調整治療方案。
預後評估：
通過分析 cfDNA 中不同細胞類型的比例，可以預測患者的預後，並制定更個性化的治療策略。
例如，一項發表在 *Nature Medicine* 上的研究表明，通過分析 cfDNA 的甲基化模式，可以準確地區分健康人和癌症患者，並可以預測癌症患者的生存期。該研究發現，cfDNA 中腫瘤細胞的比例越高，患者的生存期越短。
另一項發表在 *Cancer Cell* 上的研究表明，通過分析 cfDNA 中免疫細胞的比例，可以評估患者對免疫檢查點抑制劑的反應。該研究發現，cfDNA 中活化 T 細胞的比例越高，患者對免疫檢查點抑制劑的反應越好。
未來展望
儘管細胞類型推斷領域取得了顯著的進展，但仍存在許多挑戰。未來的研究方向包括：
開發更精確的細胞類型特異性標記：
尋找更獨特的、易於檢測的細胞類型特異性標記，例如特定的蛋白質、RNA 或 DNA 修飾。
改進現有的分析方法：
提高現有分析方法的靈敏度和特異性，降低背景噪音的影響。
開發更強大的計算工具：
開發更先進的機器學習算法，可以整合多種數據來源，建立更精確的細胞類型推斷模型。
開展更大規模的臨床研究：
在更大規模的臨床研究中驗證細胞類型推斷的臨床價值，並將其應用於臨床實踐。
單細胞測序技術結合：
結合單細胞測序技術，更精準地建立各細胞類型的特徵圖譜，提升cfDNA細胞類型推斷的準確性。
總結與研判
無細胞核酸液態活檢中的細胞類型推斷是一項極具潛力的技術，它能夠提供關於疾病病理機制、診斷和治療反應的寶貴資訊。儘管目前仍面臨著諸多挑戰，但隨著技術的不斷發展和研究的深入，我們有理由相信，細胞類型推斷將在未來的臨床實踐中發揮越來越重要的作用。
目前，基於DNA甲基化的方法在準確性和穩定性方面表現較佳，因此在短期內可能成為主流的細胞類型推斷方法。然而，隨著單細胞測序技術的普及和成本的降低，基於單細胞數據的細胞類型推斷方法有望在未來取得更大的突破。此外，整合多種數據來源的機器學習方法也具有很大的潛力，可以提高推斷的準確性和魯棒性。
總體而言，細胞類型推斷領域正處於快速發展階段，未來充滿了機遇和挑戰。我們期待著更多的研究成果能夠轉化為臨床應用，為患者帶來福祉。
Newsflash | Powered by GeneOnline AI
For any suggestion and feedback, please contact us.
原始資料來源: GO-AI-6號機 Date: November 26, 2025