Bivariate deconvolution for cancer detection after surgery

Probleemstelling

Na chirurgische verwijdering van een tumor met curatieve intentie kunnen er nog steeds ongedetecteerde kankercellen aanwezig zijn (minimale residuale ziekte, MRD). Deze cellen kunnen leiden tot een recidief maanden of jaren later. Het tijdig identificeren van het risico op recidief is cruciaal voor het bepalen van de noodzaak van adjuvante therapie.

Bestaande methoden voor het detecteren van MRD via vloeibare biopsieën (meting van circulerend tumor-DNA of ctDNA) hebben beperkingen:

• Tumor-informeerde panelen: Vereisen tumorweefsel en zijn duur en complex om te ontwikkelen voor elke patiënt.
• Tumor-agnostische methoden: Methoden gebaseerd op kopieegetalvariaties vereisen een hoge tumorbelasting om detecteerbaar te zijn, en fragmentatiekenmerken zijn niet altijd tumor-specifiek.
• Methylatieprofielen: Hoewel veelbelovend voor het onderscheiden van tumor-DNA van achtergrond-DNA (afkomstig van gezond weefsel), ontbreekt er vaak standaardisatie. Bestaande deconvolutiemethoden behandelen pre- en post-operatieve metingen als onafhankelijk, wat de schatting van een zeer zwak tumor-signaal na de operatie beperkt.

Methodologie

De auteurs introduceren een bivariate deconvolutiemodel om de tumorproportie ($\pi$) te schatten op basis van methylatieprofielen van circulerend celvrij DNA (cfDNA), gemeten direct voor en 3 weken na de operatie.

1. Modelspecificatie:

• De observaties ($Y$) worden gemodelleerd als een convolutie van twee onafhankelijke latente componenten: een tumorspecifiek signaal ($T$) en een achtergronds-signaal ($B$), gewogen door de tumorfractie ($\pi$).
• Voor elke patiënt $i$ en molecuulfeature $j$ geldt:
  $$Y^0_{ij} = \pi^0_i T^0_{ij} + (1 - \pi^0_i) B^0_{ij}$$
  $$Y^1_{ij} = \pi^1_i T^1_{ij} + (1 - \pi^1_i) B^1_{ij}$$
  Waarbij $0$ en $1$ respectievelijk pre- en post-operatief staan.
• Verdelingsaannames: Zowel de tumor- als achtergrondcomponenten worden gemodelleerd als bivariate log-normale verdelingen. Dit maakt het mogelijk om een correlatieparameter ($\rho$) in te voeren tussen de pre- en post-operatieve metingen per feature.
• Correlatiestructuur: Het model neemt aan dat de tumorprofielen relatief stabiel blijven (hoge correlatie), terwijl het achtergronds-signaal heterogener kan worden door de operatie. De correlatieparameters koppelen de twee metingen aan elkaar, waardoor de rijkere pre-operatieve signalen de schatting van het zwakke post-operatieve signaal kunnen informeren.

2. Schatting (Maximum Likelihood):

• De convolutie van twee bivariate log-normale variabelen is analytisch niet oplosbaar.
• De auteurs gebruiken een discrete benadering: De dichtheidsfuncties worden gediscretiseerd op een tweedimensionaal rooster.
• Er wordt een hybride benadering gebruikt: Voor de meeste bins wordt een 'midpoint'-benadering toegepast voor snelheid; voor extreme bins (waar de dichtheid sterk geconcentreerd is) wordt een nauwkeurigere benadering op basis van cumulatieve verdelingen gebruikt.
• De optimalisatie gebeurt via block coordinate ascent in drie stappen:
  1. Schatten van de tumorproporties ($\pi$) gegeven de verdelingsparameters.
  2. Schatten van de correlatiecoëfficiënten ($\rho$).
  3. Updaten van de overige verdelingsparameters (gemiddelden en varianties).
• Er wordt een pseudo-likelihood-aanpak gebruikt met de aanname van onafhankelijkheid tussen de $p$ moleculaire features om de rekentijd beheersbaar te houden.

Kernbijdragen

1. Bivariate Deconvolutie: Het eerste model dat pre- en post-operatieve cfDNA-methylatiemetingen koppelt via feature-specifieke correlaties, in plaats van ze als onafhankelijk te behandelen.
2. Efficiënte Likelihood-benadering: Een innovatieve discretisatie-methode die snelle maximum likelihood-schatting mogelijk maakt voor convoluties van log-normale verdelingen.
3. Patiënt-specifieke aanpak zonder tumorweefsel: Het model kan werken met genoomwijde screens zonder dat er een specifiek mutatiepanel nodig is, maar gebruikt wel de individuele karakteristieken uit de pre-operatieve meting.

Resultaten

1. Simulatiestudies:

• Het bivariate model (met geschatte correlaties) presteerde significant beter dan een univariate variant (zonder correlatie) bij het schatten van de post-operatieve tumorfractie, vooral wanneer het tumor-signaal zwak of afwezig was.
• De Root Mean Squared Error (RMSE) was lager voor het bivariate model.
• Robuustheidstests toonden aan dat het model goed presteerde zelfs als de initiële waarden niet perfect overeenkwamen met de waarheid, en dat het geen prestatieverlies opleverde als de data feitelijk ongecorreleerd was.

2. Analyse van Real Data (Colorectale Levermetastasen):

• Dataset: 112 patiënten met colorectale levermetastasen (CRLM), met bloedafnames voor en 3 weken na chirurgie. Geen peri-operatieve chemotherapie.
• Vergelijking: De geschatte tumorfracties ($\hat{\pi}^1$) werden vergeleken met mutation-based Variant Allele Frequency (VAF) waarden en klinische uitkomsten (1-jaar recidiefvrije overleving, RFS).
• Prestatie:
  • VAF-waarden waren vaak dicht bij nul en toonden weinig onderscheid tussen patiënten met en zonder recidief.
  • Het bivariate model toonde een significant sterkere associatie met RFS. Patiënten met een boven-mediane geschatte tumorfractie hadden een 3,4 keer hoger risico op recidief (OR = 3.429) vergeleken met de controlegroep.
  • De univariate schattingen waren niet significant geassocieerd met RFS.
  • ROC-analyse en Kaplan-Meier-curves bevestigden dat het bivariate model een betere scheiding maakt tussen patiënten die recidief krijgen en diegene die recidiefvrij blijven, vergeleken met VAF en univariate schattingen.

Significantie

Dit paper presenteert een belangrijke doorbraak in de detectie van minimale residuale ziekte (MRD) na kankerchirurgie.

• Klinische relevantie: Het model biedt een meer betrouwbare methode om patiënten te identificeren met een hoog risico op recidief, zelfs wanneer het tumor-DNA-signaal in het bloed zeer laag is. Dit kan leiden tot een beter afgestemde beslissing over adjuvante therapie.
• Methodologische vooruitgang: Het koppelen van pre- en post-operatieve metingen via een bivariate structuur lost het probleem op van het "verlies van signaal" na de operatie, door gebruik te maken van de baseline-informatie van dezelfde patiënt.
• Toekomstperspectief: De methode is schaalbaar en kan mogelijk worden uitgebreid naar andere sequencing-methoden (bijv. van twee naar vier variabelen voor WGBS-data) en kan worden aangepast om globale behandelingseffecten te modelleren in scenario's waar chemotherapie tussen metingen wordt gegeven.

Samenvattend biedt dit bivariate deconvolutiemodel een robuustere en nauwkeurigere schatting van tumorbelasting na chirurgie dan bestaande methoden, wat essentieel is voor de personalisatie van de nazorg bij kankerpatiënten.