液体活检与ctDNA癌症早筛

可视化演示

演示ctDNA液体活检全流程：肿瘤细胞释放ctDNA入血、富集测序与突变信号识别、以及多癌早筛灵敏度与假阳控制评估。

ctDNA生物学基础

回到那条城市供水管道。你可能会好奇：管道里本来就漂着各种碎纸，哪些是普通居民的？“普通居民的旧零件”是血液里所有游离DNA,统称cfDNA,它们来自血细胞、肠道黏膜等正常细胞的日常凋亡和代谢。而那些带着焦糊味的残片，来自正在失火的肿瘤细胞，这就是ctDNA——circulating tumor DNA,循环肿瘤DNA。两者混在同一条河里，浓度低得惊人：癌症患者的ctDNA通常只占全部cfDNA的0.01%到10%,早期肿瘤甚至低到万分之几。要在这样的“大海”里捞起一根“针”,首先得弄清这根针的物理规律：它有多少产量、多久被冲走。

肿瘤细胞因为增殖失控、凋亡异常，比正常细胞更频繁地碎裂并释放DNA碎片入血。ctDNA的浓度取决于两个对立过程：肿瘤的释放速率和血液的清除速率。这个动态平衡用稳态模型表达最直观：

$$\displaystyle C_{\text{ctDNA}} = \frac{r}{k} = \frac{\alpha \times T_{\text{burden}}}{k}$$

1. 释放速率 r:肿瘤细胞持续凋亡坏死，把DNA碎片挤进血液，释放速率与肿瘤负荷成正比。

$$\displaystyle r = \alpha \times T_{\text{burden}}$$

2. 清除常数 k:肝脏和肾脏会快速清理血液中游离DNA,半衰期只有约16分钟到2小时。

$$\displaystyle k = \frac{\ln 2}{t_{1/2}}$$

3. 稳态浓度：当释放与清除达到动态平衡，ctDNA浓度等于释放速率除以清除速率。

$$\displaystyle C = \frac{r}{k}$$

正因为清除快，你测到的ctDNA浓度是“此刻的火灾规模”,而不是几个月前的旧账。这也是为什么同一患者不同时间抽血，结果变化很大——河道一直在自我净化，新冒出的烟会很快被冲走，给临床监测提供了近乎实时的信号。

液体活检流程

知道了要捞的是哪类碎纸，接下来需要一套特制的“网具”。普通的采血化验像拿大网兜捞鱼，而液体活检要的是精密筛网，层层过滤。第一步，把采血管放入离心机旋转，红细胞、白细胞这些大块“泥沙”沉到底部，富含游离DNA的血浆浮在上层——这一步叫血浆分离，必须采血后数小时内完成，否则血细胞破裂会把自己的基因组DNA混进来，把河底淤泥搅起来。第二步，用特异性探针像磁铁一样吸住目标DNA片段，这叫靶向富集。第三步，把富集到的片段连上接头、扩增建库，送上高通量测序仪，把每一段碎纸上的文字放大到可读的精度。

测序精度有一个核心指标叫测序深度，它决定了你能否在数以万计的cfDNA分子中找到那一个异常拷贝。打个比方，你把河道里的碎纸捞上来后复印阅读：深度低，相当于只抽查几页，漏掉关键线索；深度高，相当于把每个字都放大核对好几遍，当然成本也更高。深度的数学定义是：

$$\displaystyle D = \frac{N_{\text{reads}} \times L_{\text{read}}}{G_{\text{target}}}$$

1. 读段总数 N_reads:测序仪输出的小片段序列数量，相当于你复印的碎纸张数。

$$\displaystyle N_{\text{reads}}$$

2. 平均读长 L_read:每段序列的平均长度，相当于每张纸能读出的字数。

$$\displaystyle L_{\text{read}}$$

3. 目标区域长度 G_target:你关心的基因组合计长度，比如某个panel覆盖的靶向区间。

$$\displaystyle G_{\text{target}}$$

4. 深度计算：深度等于总测序碱基除以目标区域碱基，深度高才能抓住万分之一的异常分子。

$$\displaystyle D = \frac{N \times L}{G}$$

在实际项目中，临床panel常选择30000×以上深度来应对ctDNA极低丰度。但“网眼越密越好”也有代价：深度翻倍，成本和时间都翻倍，还会把探针偏倚带来的系统误差放大。因此“网具”的设计始终是灵敏度、成本、噪声三者的平衡。

多维信号识别

好不容易捞起一批碎片，怎么判断哪些来自失火的厂房？一张烧焦的碎纸上通常残留三类线索：第一类是文字本身出了错——DNA序列上的碱基突变，就像碎纸上出现了印刷错误；第二类是陈年包浆痕迹——甲基化修饰，不同组织细胞在DNA上盖的“水印”各不相同；第三类是撕边状态——片段组学，肿瘤细胞释放的DNA碎片往往比正常cfDNA更短、断点模式更特殊。单看任一线索都容易被噪声干扰：健康人血液里也存在少量衰老细胞的突变，甲基化水印会随年龄漂移，片段长度也受运输条件影响。于是主流方案是让三个“侦探”分别打分，再把意见加权汇总。

从概率角度看，每个特征给出一个似然比：如果某个特征在癌症人群中出现概率远高于健康人群，它就是支持“癌症”的证据。三个证据按可靠性加权求和，得到最终的融合分数：

$$\displaystyle S(X) = \sum_{i=1}^{K} w_i \times \log \frac{P(X_i \mid C)}{P(X_i \mid H)}$$

1. 提取特征 X_i:从测序数据中计算突变score、甲基化score、片段模式score等多个维度的特征。

$$\displaystyle X = \{X_1, X_2, \dots, X_K\}$$

2. 计算每个特征的似然比：比较该特征值在癌症组(C)和健康组(H)中出现的概率之比。

$$\displaystyle LR_i = \frac{P(X_i \mid C)}{P(X_i \mid H)}$$

3. 取对数并加权：对数把乘法变加法，权重w_i由各特征对分类的可靠性决定。

$$\displaystyle w_i \times \log LR_i$$

4. 汇总决策：所有特征分数加和后与预设阈值比较，超过阈值则输出阳性信号。

$$\displaystyle S(X) \; \begin{cases}> \theta & \text{阳性} \\ < \theta & \text{阴性}\end{cases}$$

三个侦探各自独立、相互印证，比单打独斗可靠得多。这不只是工程上的“缝合”,而是生物学本质：肿瘤在血液里留下的痕迹天然是多维的，只用一维特征就像只凭一个目击证人断案，误判率高得吓人。

假阳控制策略

预警系统最怕误报。有些时候河道里飘来的突变碎片并非来自失火的厂房，而是来自几栋老宿舍楼——人的造血干细胞随着衰老会产生一批携带良性突变的血细胞，它们扎堆生长，把同样的突变“碎纸”投进管道，这是正常的克隆性造血现象。如果检测模型看到一个突变就拉响火警，结果就是每天被假阳性爆炸淹没。更麻烦的是，测序本身也有错误率，每一次PCR扩增都可能引入“印刷错字”,在超低丰度下，这些错字可能伪装成真信号。

要镇压这些噪声，业界有三板斧。第一，抽取同一位患者的白细胞做配对对照：白细胞带有克隆性造血突变，把白细胞和血浆的突变谱相减，就能“扣除”年龄相关的背景杂音。第二，给每一条原始DNA分子加上唯一分子标签(UMI),PCR扩增后所有拷贝都指向同一个身份，突变只有出现在多组标签中才被采信，这能有效剔除测序错误。第三，在健康队列上建立背景突变模型，把检测阈值校准在假阳性率极低的位置。最终评估指标不是简单的准确率，而是阳性预测值：

$$\displaystyle PPV = \frac{p \times Se}{p \times Se + (1-p) \times (1-Sp)}$$

1. 患病率 p:筛查人群中癌症的真实比例，比如50岁人群约1%-3%。

$$\displaystyle p$$

2. 真阳性数量：患病者中被正确检出的数量，等于患病率乘以灵敏度。

$$\displaystyle p \times Se$$

3. 假阳性数量：健康者中被误判为阳性的数量，等于健康比例乘以误报率。

$$\displaystyle (1-p) \times (1-Sp)$$

4. 阳性预测值：在所有阳性结果中真阳性的占比，分母是真阳性加假阳性。

$$\displaystyle PPV = \frac{\text{真阳性}}{\text{真阳性} + \text{假阳性}}$$

理解PPV的数学，你就理解了为什么早筛行业对特异性如此痴迷：不是灵敏度不重要，而是在低患病率的世界里，特异性每提升一个小数点，都能挽救成千上万次不必要的活检。火警阈值调得高，会漏掉小火苗；调得低，就会被宿舍楼里的烟头天天折腾。

Grail Galleri原理

Grail公司的Galleri检测，是这套思路在商业和临床上的集大成者。它就像一个训练有素的消防指挥中心，不仅判断“有没有烟”,还要通过烟雾里残留的“邮戳”判断是哪个街区的哪类厂房出了问题。这个“邮戳”就是甲基化标签——不同器官的组织细胞，在DNA的特定CpG位点上盖有不同的甲基化“水印”。癌细胞死亡释放的DNA,完整保留着其来源组织的甲基化特征。Galleri对cfDNA上超过一百万个甲基化位点进行测序，把海量位点的甲基化率作为特征，输入机器学习模型（梯度提升树与卷积神经网络）,输出两个关键结果：一是有无癌症信号，二是信号最可能来自哪里。

组织溯源本质是一个多分类问题。模型为每个候选癌种算出一个原始分数，再用softmax把它转换成归一化的概率分布：

$$\displaystyle P(C=c \mid X) = \frac{e^{s_c}}{\sum_{j=1}^{K} e^{s_j}}$$

1. 候选癌种打分 s_c:模型在甲基化特征X下，为每一个候选癌种输出一个原始分数。

$$\displaystyle s_c = f_c(X)$$

2. 指数化：对每个分数取自然指数，保证结果为非负，并放大分数间的差异。

$$\displaystyle e^{s_c}$$

3. 归一化：将所有候选癌种的指数化分数相加作为分母，使概率总和为1。

$$\displaystyle \sum_{j=1}^{K} e^{s_j}$$

4. 取最大概率：概率最高的癌种就是模型推测的肿瘤来源组织，如肺、肝、结直肠。

$$\displaystyle \hat{c} = \arg\max_c \; P(C=c \mid X)$$

Galleri在真实世界研究中的表现令人振奋：特异性高达99.5%,总体灵敏度约51.5%,其中I期灵敏度约39%、III期约79%、IV期约92%。覆盖50多种癌种，涵盖那些没有标准筛查手段的癌症，这正是“邮戳系统”的独特价值——传统筛查像在固定路段设卡，而Galleri试图在整张城市地图上巡逻。

应用价值与局限

火警系统再好，也不能替代消防队。液体活检的价值和边界必须同时讲清楚：它的核心价值在于“无创、可重复、多癌覆盖”。相比肠镜、低剂量CT等传统筛查，它只需要10毫升血，患者负担小，可以按周期反复做，还能覆盖胰腺癌、卵巢癌等缺乏成熟筛查手段的癌种。但它的边界同样清晰：阳性结果只是“预警铃”,不是“判决书”——液体活检检测的是血液里的分子信号，不是解剖位置的病灶实体。它不能告诉你肿瘤精确长在哪，不能做病理分型，更不能直接指导手术切除。

在真实世界里，评价一个筛查工具是否可靠，绕不开两个核心指标，它们刻画了预警系统的两种错误方向：漏报和误报。灵敏度回答“癌症患者里有多少能被发现”,特异性回答“健康人中有多少被误伤”。定义如下：

$$\displaystyle Se = \frac{TP}{TP+FN}, \qquad Sp = \frac{TN}{TN+FP}$$

1. 真阳性 TP:癌症患者中检测结果为阳性的数量，即成功发现的火灾。

$$\displaystyle TP$$

2. 假阴性 FN:癌症患者中检测结果为阴性的数量，即漏报的火灾。

$$\displaystyle FN$$

3. 灵敏度计算：阳性检出者数除以所有癌症患者数，越高代表漏检越少。

$$\displaystyle Se = \frac{TP}{TP+FN}$$

4. 特异性计算：阴性健康者数除以所有健康人数，越高代表误报越少。

$$\displaystyle Sp = \frac{TN}{TN+FP}$$

基于这些局限，行业共识是将液体活检定位为“高风险人群的辅助筛查工具”,而不是全人群普筛或终末诊断。适合的人群包括50岁以上、有家族史或已知遗传风险的人。对健康低风险年轻人，患病率太低，阳性预测值被稀释，强行筛一遍往往只是烧钱和徒增焦虑。

工程落地实践

最后，把一套实验室流程和AI模型变成稳定运行的工程系统，好比给城市供水管道装正式的水质监测网络。你不能只在主管道装一个探头就交差，必须把采样瓶、运输温度、校准频率全部标准化。液体活检的工程落地，首先从样本端开始：必须使用cfDNA专用采血管（含防腐剂）,采血后8小时内完成血浆分离，全程冷链运输。溶血、脂血、保存超时的样本直接标记为不合格，因为“水样被污染后，再聪明的探头也白搭”。

数据管道里的质量控制同样严格。测序后，每个样本都要过三道质控关卡：DNA投入量是否达标、UMI转化率是否正常、背景噪声分布是否在健康队列的参考区间内。报告解读则要求分层：强阳性信号直接建议进一步影像检查；弱阳性或信号不明确的样本，结合动态复查趋势再决定是否活检。MAF（变异等位频率）是解读过程中的一个关键数值：

$$\displaystyle MAF = \frac{m_{\text{alt}}}{m_{\text{alt}}+m_{\text{ref}}}$$

1. 突变型分子数 m_alt:支持突变碱基的测序分子数量，可以看作“异常碎纸的张数”。

$$\displaystyle m_{\text{alt}}$$

2. 野生型分子数 m_ref:支持正常碱基的测序分子数量，即“普通碎纸的张数”。

$$\displaystyle m_{\text{ref}}$$

3. 计算频率：突变型分子除以所有分子，得到突变在该位点的占比。

$$\displaystyle MAF = \frac{m_{\text{alt}}}{m_{\text{alt}}+m_{\text{ref}}}$$

4. 与背景比较：将MAF与健康人群该位点的背景突变率分布比较，显著超出才认定是真信号。

$$\displaystyle Z = \frac{MAF - \mu_{\text{background}}}{\sigma_{\text{background}}}$$

工程化的本质是让每一步都可量化、可追溯、可复现。从采血试管型号到模型阈值版本，所有变量都应纳入版本管理。当临床团队拿到一份报告时，他们不仅看到一个“阳性/阴性”的判定，还能看到支撑这个判定的多维信号强度、质控曲线和背景噪声对比——这才是能把“预警系统”真正送进医院和体检中心的关键。

AI 应用场景

Python 演示

import numpy as npfrom sklearn.linear_model import LogisticRegressionfrom sklearn.metrics import confusion_matrix np.random.seed(7)  def simulate_queue(n=10000, prevalence=0.02, noise=0.5):    y = (np.random.rand(n) < prevalence).astype(int)    X = np.zeros((n, 3))    for i in range(n):        if y[i] == 1:            X[i] = [1.8, 1.5, 1.2] + np.random.normal(0, noise, 3)        else:            X[i] = [0.1, 0.3, 0.5] + np.random.normal(0, noise, 3)    return X, y  X, y = simulate_queue()X_train, y_train = X[:8000], y[:8000]X_test, y_test = X[8000:], y[8000:] model = LogisticRegression()model.fit(X_train, y_train)y_prob = model.predict_proba(X_test)[:, 1] y_pred = (y_prob >= 0.5).astype(int)tn, fp, fn, tp = confusion_matrix(y_test, y_pred).ravel()se = tp / (tp + fn)sp = tn / (tn + fp)ppv = tp / (tp + fp) if (tp + fp) > 0 else 0.0print("Se=%.3f Sp=%.3f PPV=%.3f" % (se, sp, ppv)) y_pred_high = (y_prob >= 0.9).astype(int)tn2, fp2, fn2, tp2 = confusion_matrix(y_test, y_pred_high).ravel()ppv_high = tp2 / (tp2 + fp2) if (tp2 + fp2) > 0 else 0.0print("high threshold PPV=%.3f (pred_pos=%d)" % (ppv_high, tp2 + fp2))

1. simulate_queue(n=10000, prevalence=0.02)用概率抽样生成一批带有标签的合成人群，2%模拟真实高风险人群患病率。
2. X[i] = [1.8, 1.5, 1.2] + np.random.normal(0, noise, 3)癌症样本在三个分子特征维度上整体偏高，模拟突变、甲基化、片段组学的融合信号。
3. model = LogisticRegression()逻辑回归学习每个维度的权重，这就是最简单的“多特征加权融合”模型。
4. model.fit(X_train, y_train)让模型从训练样本中估计各组特征的判别权重和截距。
5. y_prob = model.predict_proba(X_test)[:, 1]输出每个样本患癌的预测概率，相当于分类器的“信号分”。
6. confusion_matrix(y_test, y_pred).ravel()解包得到TP、FP、FN、TN四格表，用于计算灵敏度、特异性和阳性预测值。
7. ppv = tp / (tp + fp) if (tp + fp) > 0 else 0.0计算阳性预测值，注意分母为零时的安全处理。
8. y_pred_high = (y_prob >= 0.9).astype(int)提高决策阈值，牺牲部分灵敏度，换取更高的阳性预测值，这是临床落地时的常规调参思路。

常见误区

面试题