具体实施方式

本发明中的计算方法详述如下：

本发明首先需要进行从血液样品中对cfDNA的提取、建库、测序等步骤。这里的提取、建库方法没有特别的限定，可以从现有技术中的提取方法中进行调整。这里的测序过程中可以采用现有技术中的测序技术获得cfDNA的碱基信息。

本发明中的模型构建过程采用的数据集情况如下：

血浆cfDNA样本的提取和测序方法

采用紫色血液收集管(EDTA抗凝管)收集患者8ml全血样本，及时离心分离血浆(2小时内)，转运至实验室后，血浆样本采用QIAGEN血浆DNA提取试剂盒按照说明书进行ctDNA提取。对采集到的cfDNA样本建库后，进行WGS～2乘测序。在获得了下机数据之后，将数据比对至人类参考基因组上，获得相应的读段的碱基数据信息。

数据处理

本发明中的标志数据，主要是利用高分辨率DNA片段大小分布(high resolutionfragmentation size distribution)进行机器学习建立预测模型，从而区分非肝癌患者(健康人，肝硬化患者)与肝癌患者。

对于DNA片段大小分布，其反映的是cfDNA读段的长度大小的分布特征。通过对比190例肝癌患者和170例对照人群的cfDNA读段的长度，发现40-80bp和200-300bp间的片段数量在两组间存在差异，可以作为区分特征。

cfDNA读段长度数据是通过如下方法获取得到的：在比对好的bam当中，记录了每一条读段的质量，长度和比对位置信息，人类参考基因组选用来自加利福尼亚大学克鲁兹分校(University of California,Santa Cruz,UCSC)提供的hg19序列。将人类参考基因组按照5Mb长度，切割成572个窗口，分别统计每一个窗口中的全部读段数量(40-300bp)，短读段数量(40-80bp)和超长读段数量(200-300bp)。根据所有窗口中各种读段数量统计结果，分别对每种读段数量进行标准化换算，即标准化值＝(原始值–平均值)/标准差。由此得到了572组不同长度的读段数量的数集。

同时，为获得高分辨率读段结果，以人类参考基因组各染色体长短臂41个区域作为窗口，如下所示：

将40-300bp的片段，以10bp递增，划分27个长度梯度(例，chr1的1q臂上40-49bp，50-59bp……)，对每个长度梯度在各长短臂窗口内片段数量进行统计，并进行标准化换算，从而获得高分辨率DNA片段大小分布结果共计2823个特征结果(2823＝572个全部读段标准化结果+572个短读段标准化结果+572个超长独段标准化结果+41*27个长度梯度标准化结果)。

在获得192例肝癌患者和170例对照人群的高分辨率DNA数据信息后，将高分辨率DNA片段大小分布统计结果作为输入值(每个样本的输入向量中包含有2823个读段占比数值构成的特征值)，通过深度网络学习模型法判断待测样本与正常样本进行分类；深度学习基于多层前馈人工神经网络，该神经网络使用反向传播进行了随机梯度下降的训练。该网络可以包含大量隐藏层，这些隐藏层由具有双曲正切，矫正和最大功率激活功能的神经元组成。诸如自适应学习率，速率退火，动量训练，辍学，L1或L2正则化，检查点和网格搜索等高级功能可实现较高的预测准确性。在学习训练的时候，每个计算节点都使用多线程(异步)在其本地数据上训练全局模型参数的副本，并通过网络上的模型平均来定期为全局模型做出贡献。前馈人工神经网络(ANN)模型，也称为深层神经网络(DNN)或多层感知器(MLP)，是深层神经网络的最常见类型，也是本专利用来进行深度学习的类型。

经过训练后，深度网络学习模型将2823高分辨率DNA大小分布信息的区分贡献值进行排序，共筛选出926种两组间差异显著的特征(全部读段数量分布208，短读段数量分布244个，超长读段数量分布177个，染色体臂读段分布297个)。将每种分布前50的特征进行差异化分析，如heatmap所示，两组在每种分布的50种特征明显不同；

染色体臂上的具有显著性区别的特征如下表所示，其中chr代表染色体编号，p/q分别代表短/长臂，范围值代表碱基数量区间。

同时，在染色体臂读段分布的热图中可见，部分特征在肝癌患者与肝硬化患者间有明显差异。

以上模型得到的结果如下表所示：

在不同的模型输入向量的情况下，模型预测性能如下所示：

全部读段，短读段，超长读段和染色体臂读段分布分别单独训练均能一定程度区分非癌患者与癌症患者，联合使用作为高分辨率DNA片段大小分布结果进行训练预测效果最佳，AUC最高可达0.995。同时，联合输入向量对于区分肝癌患者与肝硬化患者的区分效果也更好，AUC最高可达0.985。