Generalizable cancer detection from ultra-low-pass WGS via deep contextual modeling of cfDNA sequences.

Modélisation contextuelle profonde des fragments d'ADN libre circulant : architecture transformer à apprentissage multi-instances, affinée séquentiellement par strate de fraction tumorale, indépendante de tout appel de variants.

Le séquençage de génome entier à très faible profondeur (ULP-WGS) de l'ADN libre circulant est peu coûteux mais se heurte à l'extrême rareté du signal et à une mauvaise généralisation des modèles. Les auteurs proposent un cadre indépendant de l'appel de variants, fondé sur un transformer à apprentissage multi-instances affiné séquentiellement selon la fraction tumorale, évalué sur un jeu de test pan-cancer couvrant 17 types tumoraux, un jeu public externe généré sur une autre plate-forme de séquençage et une cohorte de variabilité technique. L'affinage séquentiel par strate de fraction tumorale augmente l'AUC de 35,6 % en relatif sur les échantillons à faible fraction tumorale (0,884 contre 0,652 pour un entraînement limité aux fractions élevées). Le modèle atteint une AUC de 0,930 sur le jeu de test indépendant et de 0,929 en validation externe (sensibilité 0,78, spécificité 0,92), avec des performances stables malgré les variations pré-analytiques. Enfin, un statut « modèle négatif » reste associé à une meilleure survie sans progression dans le cancer bronchique non à petites cellules avancé traité par chimio-immunothérapie (HR = 0,49 ; IC 95 % 0,29-0,82) après ajustement multivarié.

Synthèse rédigée par Geno'X. Pour l'abstract original complet, consulter la publication source.

L'intérêt réel n'est pas l'AUC affichée mais le fait de se passer de l'appel de variants : c'est ce qui rend un WGS à très faible profondeur exploitable sans profondeur de couverture, donc économiquement crédible en suivi. Deux réserves comptent avant d'y voir un test : le résumé ne donne aucun effectif de patients, et une AUC ne dit rien de la valeur prédictive positive en population à faible prévalence, qui est le seul chiffre pertinent pour du dépistage. Le caractère propriétaire du modèle interdit par ailleurs toute réévaluation indépendante, ce qui est un frein plus lourd qu'il n'y paraît pour un usage clinique.

Analyse par Dr Thibaut Benquey