Генетическая диагностика похожа на сравнение двух фотографий, сделанных разными камерами. Если одна камера чуть сдвинула цвета, на снимке появятся «дефекты», которых нет в реальности. Так и в анализе ДНК: образец пациента сравнивают с эталонным, и если эталон обработан реактивами из другой партии или в другой лаборатории, сравнение даёт ложные сигналы — то лишние мутации, то пропущенные настоящие.
Авторы предлагают ловить такие сбои по «уровню доверия» между данными и моделью. Когда техника работает как задумано, данные хорошо укладываются в предсказания. Когда партия реактивов испорчена или прибор сбит, данные перестают сходиться с моделью — доверие падает. Метод ищет группы образцов с аномально низким доверием и отделяет их от здоровых. Это как если бы в фотоальбоме нашлись снимки с неестественными цветами — их сразу видно на фоне остальных.
Проверка на синтетических данных показала, что метод не поднимает ложную тревогу чаще положенного. На реальных клинических панелях — жидкостной биопсии, BRCA и талассемии — он нашёл сбои, вызванные разными причинами: от смены реактивов до обработки в разных местах. А на записях электрической активности мозга мышей метод сработал так же хорошо, хотя задача совсем из другой области. Это значит, что подход универсален: он ловит любые технические помехи, которые портят сравнение с эталоном.
Такой фильтр нужен не для галочки. В клинике ложная мутация может отправить человека на ненужное лечение, а пропущенная настоящая — оставить без помощи. Метод позволяет отсортировать испорченные анализы до того, как они попадут в руки врача, и тем самым сохранить доверие к генетической диагностике.
как её написали авторы, на английском arXiv:2601.09758
Batch effects represent a major confounder in genomic diagnostics. In copy number variant (CNV) detection from NGS, many algorithms compare read depth between test samples and a reference sample, assuming they are process-matched. When this assumption is violated, with causes ranging from reagent lot changes to multi-site processing, the reference becomes inappropriate, introducing false CNV calls or masking true pathogenic variants. Detecting such heterogeneity before downstream analysis is critical for reliable clinical interpretation. Existing batch effect detection methods either cluster samples based on raw features, risking conflation of biological signal with technical variation, or require known batch labels that are frequently unavailable. We introduce a method that addresses both limitations by clustering samples according to their Bayesian model evidence. The central insight is that evidence quantifies compatibility between data and model assumptions, technical artifacts violate assumptions and reduce evidence, whereas biological variation, including CNV status, is anticipated by the model and yields high evidence. This asymmetry provides a discriminative signal that separates batch effects from biology. We formalize heterogeneity detection as a likelihood ratio test for mixture structure in evidence space, using parametric bootstrap calibration to ensure conservative false positive rates. We validate our approach on synthetic data demonstrating proper Type I error control, three clinical targeted sequencing panels (liquid biopsy, BRCA, and thalassemia) exhibiting distinct batch effect mechanisms, and mouse electrophysiology recordings demonstrating cross-modality generalization. Our method achieves superior clustering accuracy compared to standard correlation-based and dimensionality-reduction approaches while maintaining the conservativeness required for clinical usage.
Метод проверяли на записях активности мозга мышей — и он нашёл технические сбои в данных, хотя создавался для анализа ДНК. Это как если бы детектор фальшивых купюр вдруг распознал подделку в картине.