血浆无细胞DNA（cfDNA）是所有器官细胞死亡的非侵入性生物标志物。破译cfDNA的组织来源可以揭示疾病导致的细胞异常死亡，在疾病检测和监测方面具有巨大的临床潜力。尽管其前景广阔，但由于组织甲基化的有限表征和对无监督方法的依赖，使得cfDNA的准确定量仍极具挑战性。为了充分利用cfDNA的临床潜力，斯坦福大学Wong Wing Hung、加利福尼亚大学Steven M. Dubinett、Xianghong Jasmine Zhou提出了一个高分辨率的甲基化图谱，该图谱包含29种主要类型的人类组织的521个非癌组织样本。
本文要点：
1) 作者系统鉴定了组织特异性甲基化模式，并在正交数据集中对其进行广泛验证。基于丰富的组织甲基化图谱，作者开发了一种有监督的组织去卷积方法，即一种深度学习驱动的模型cfSort，其可用于cfDNA中灵敏准确的组织去卷。
2) 在基准测试数据上，cfSort显示出优越的灵敏度和准确性。作者进一步证明了cfSort的临床实用性，其具有两个潜在的应用：帮助疾病诊断和监测治疗副作用。总之，组织甲基化图谱和cfSort增强了cfDNA中组织去卷积的性能，从而促进了基于cfDNA的疾病检测和纵向治疗监测。
Li Shuo et.al Comprehensive tissue deconvolution of cell-free DNA by deep learning for disease diagnosis and monitoring PNAS 2023
DOI: 10.1073/pnas.2305236120
https://doi.org/10.1073/pnas.2305236120
