《Frontiers in Artificial Intelligence》:Explainable artificial intelligence identifies circulating microRNA candidate biomarkers for liquid biopsy-based pancreatic cancer detection
编辑推荐:
引言:胰腺癌(pancreatic cancer, PC)仍是一种高度致死性恶性肿瘤,原因包括无症状进展、晚期就诊以及缺乏可靠的微创液体活检生物标志物用于早期检测。循环microRNA(circulating microRNA, c-miRNA)因其在体液中稳
引言:胰腺癌(pancreatic cancer, PC)仍是一种高度致死性恶性肿瘤,原因包括无症状进展、晚期就诊以及缺乏可靠的微创液体活检生物标志物用于早期检测。循环microRNA(circulating microRNA, c-miRNA)因其在体液中稳定且对致癌通路具有调控影响,是有前景的临床指标。方法:本研究提出一个集成计算框架,结合大规模血清miRNA表达谱分析、差异表达分析、机器学习(machine learning, ML)和可解释人工智能(explainable artificial intelligence, XAI)。通过预处理分析五个公开Gene Expression Omnibus(GEO)数据集共1,101份血清样本,包括标准化、缺失值插补和基于ComBat的批次校正。一个贝叶斯堆叠集成分类器整合XGBoost、随机森林、支持向量分类器(support vector classifier, SVC)、朴素贝叶斯(Na?ve Bayes)和k-近邻(k-nearest neighbors, k-NN),使用合成少数类过采样技术(Synthetic Minority Over-sampling Technique, SMOTE)优化类别不平衡,并通过序列最小二乘规划(Sequential Least Squares Programming, SLSQP)进行约束权重最小化。结果:基因表达分析识别148个显著失调miRNA(|log2FC| ≥ 2,校正 p < 0.05)。模型达到优秀预测性能(曲线下面积(area under the curve, AUC)=0.97;准确率=97.28%;灵敏度=94%;特异度=99%)。基于SHAP(Shapley Additive Explanations)的XAI解释突出20个miRNA为最具影响力预测因子,包括hsa-miR-125a-3p、hsa-miR-1290、hsa-miR-614和hsa-miR-497-5p。使用DIANA-miRPath和miRDB的通路富集确认它们参与关键致癌通路(丝裂原活化蛋白激酶(mitogen-activated protein kinase, MAPK)、细胞周期蛋白依赖性激酶(cyclin-dependent kinase, CDK)、TP53)。讨论:作为一项回顾性计算研究,这些发现代表经计算优先排序的候选生物标志物,在临床应用前需在独立外部队列和实验方法中验证。所提出的流程展示了一种透明、可重复的生物标志物发现方法,并验证了循环miRNA在基于微创液体活检的胰腺癌早期检测中的临床前景。
论文主体解读:胰腺癌(pancreatic cancer, PC)因侵袭性进展、诊断复杂和生存结局差而成为临床难题。原文指出,PC约占全球癌症相关死亡的4.7%,却仅占全部癌症的2.6%;每年报告近500,000例新发癌症,发病率呈稳定增加趋势。由于早期常无症状且多在晚期确诊,总体五年生存率仍仅约6%。多数PC起源于胰腺外分泌导管上皮,常经前驱病变进展为浸润性癌。近70%胰腺肿瘤始于头部,早期常无明显症状;腹痛、深色尿、厌食、乏力及梗阻性黄疸等表现非特异,也可见于其他良性或炎症性疾病。急性或慢性胰腺炎在临床和影像学上可酷似PC,进一步增加早期诊断难度。确诊恶性常需内镜超声引导细针穿刺(endoscopic ultrasound-guided fine needle aspiration, EUS-FNA)、经皮活检和手术病理等侵入性操作;细胞学诊断准确性受采样、炎症或组织坏死限制,侵入性采样还带来胰瘘形成等风险。因此,寻找敏感、微创的液体活检标志物成为重要方向。循环microRNA(circulating microRNA, c-miRNA)因生物学意义、稳定性及在血清和其他体液中可检测而受到关注。microRNA为18—25个核苷酸长的小非编码RNA,成熟miRNA通常结合靶mRNA的3′非翻译区,导致翻译抑制或mRNA降解,也可在特定情境参与转录激活;miRNA参与细胞生长、代谢、信号传导和分化,预计调控超过30%的人类mRNA。c-miRNA可在血清、血浆、唾液、脑脊液、乳汁、尿液、泪液、腹膜液等体液中检测,且能耐受反复冻融、长期保存及pH和温度波动,并参与细胞间通讯和肿瘤微环境动态。然而,研究间变异、数据集异质性、技术噪声和批次效应使c-miRNA的临床转化受限;高维多平台miRNA数据需要精确特征选择、模式提取和生物学解释,传统机器学习(machine learning, ML)常呈“黑箱”模型,解释性人工智能(explainable artificial intelligence, XAI)如SHAP(Shapley Additive Explanations)可通过识别重要分子贡献者提高可解释性并支持生物学验证。基于此,研究人员开展了一项整合五个大型血清miRNA数据集、差异表达分析、ML分类、贝叶斯堆叠和SHAP解释的计算研究,并用DIANA miRPath和miRDB进行通路富集,以识别与PC相关的c-miRNA候选标志物。研究得出:共纳入1,101份血清样本,识别148个显著差异表达miRNA,模型AUC=0.97、准确率97.28%、灵敏度94%、特异度99%;SHAP突出20个最具影响力miRNA,包括hsa-miR-125a-3p、hsa-miR-1290、hsa-miR-614和hsa-miR-497-5p,通路分析提示其参与MAPK、CDK和TP53相关通路。其意义在于提供透明、可重复的微创液体活检生物标志物发现流程,并支持c-miRNA用于PC早期检测的临床前景;但作为回顾性计算研究,所得标志物仍需独立外部队列和实验验证。
关键技术方法概述(不超过250字):研究人员从GEO获取五个血清miRNA数据集GSE59856、GSE106817、GSE112264、GSE113486和GSE124158,共1,101份血清样本,来源涉及Kojima et al.、Yokoi et al.、Urabe et al.、Usuba et al.和Asano et al.;进行标准化、均值缺失值插补和ComBat批次校正;用limma进行差异表达分析;以XGBoost、随机森林、SVC、Na?ve Bayes和k-NN为基分类器,结合SMOTE、贝叶斯堆叠和SLSQP约束权重优化构建分类模型;用SHAP解释XGBoost;用DIANA miRPath v4.0和miRDB进行靶点与KEGG(Kyoto Encyclopedia of Genes and Genomes)通路富集。
研究结果:3.1 循环miRNA差异表达分析:通过整合五个GEO数据集并应用ComBat批次校正,再用limma进行差异表达分析,研究人员在PC与健康血清样本间识别148个显著失调c-miRNA,满足|log
2FC| ≥ 2且校正
p < 0.05;火山图显示miRNA分为上调、下调和无显著三类,PCA(principal component analysis)显示PC与对照形成两个清晰可分的簇,PC1解释17.5%方差、PC2解释14.6%方差,说明批校正后的c-miRNA谱保留较强疾病判别信息。3.2 机器学习分类与预测性能:以148个显著miRNA构建ML模型,经标准化和SMOTE处理类别不平衡后训练XGBoost、随机森林、SVC、Na?ve Bayes和k-NN,并用贝叶斯堆叠聚合概率输出;在221例独立测试集上,模型准确率97.28%、灵敏度94%、特异度99%、精确率97%、F1值96%,ROC(receiver operating characteristic)曲线显示AUC=0.97,说明贝叶斯堆叠集成具有高判别能力。3.3 SHAP解释揭示关键预测miRNA:对XGBoost应用SHAP评估每个miRNA对分类决策的贡献,SHAP汇总图突出20个最具影响力miRNA;其中hsa-miR-125a-3p为排名首位且下调(logFC ?2.944),hsa-miR-1290上调(logFC 2.774),hsa-miR-614上调(logFC 2.250),hsa-miR-497-5p下调(logFC ?2.665);hsa-miR-125a-3p依赖图显示表达与SHAP值呈非线性反向关系,低表达对应向“癌症”类别的强正贡献;SHAP值被解释为模型特异性特征贡献,而非生物因果或机制调控证据。3.4 SHAP排序miRNA的生物学通路验证:对前20个SHAP排序miRNA用DIANA miRPath v4.0和miRDB进行通路富集;DIANA发现12个miRNA的靶点与PC相关信号通路有关,这些miRNA共调控23个基因,关键靶基因包括CDK4、CDK6、CCND1、CDKN1A、MAPK1、RAF1、MAP2K1、TP53、BCL2L1、E2F3、VEGFA和RELA;KEGG通路图显示多个miRNA汇聚于经典PC通路,例如hsa-miR-497-5p靶向MAPK通路多个组分,hsa-miR-125a-3p调控CDK4和VEGFA;未收录于DIANA的hsa-miR-1290、hsa-miR-614、hsa-miR-128-2-5p、hsa-miR-548az-3p、hsa-miR-3615和hsa-miR-6840-5p经miRDB评估,预测靶点涉及细胞骨架重塑、泛素通路、转录调控和代谢适应;这些结果支持c-miRNA作为参与PC发生、进展和转移核心通路的生物学上连贯标志物,但属于计算机模拟功能注释而非实验验证。
讨论部分总结:本研究构建了整合多队列血清miRNA谱、预处理与批次校正、差异表达分析、贝叶斯堆叠集成ML和SHAP可解释AI的流程,用于识别PC的c-miRNA标志物。与既往研究相比,Li et al.曾识别血清miR-1290可区分早期PC并优于CA19-9(carbohydrate antigen 19-9);Kojima et al.确认miR-125a-3p对胰腺和胆道癌检测具有高灵敏度;Mazza et al.报道PC肿瘤与正常组织间26个miRNA差异表达;miR-1246、miR-1290、miR-497-5p等也反复出现于PC血清或血浆;Meta分析和系统综述提示c-miRNA panel通常具有稳健诊断性能,与CA19-9联合可提高总体准确性。本研究的优势包括:1,101份血清样本的多队列聚合提高统计效能并降低单队列过拟合;ComBat校正研究间技术变异;limma与贝叶斯堆叠集成结合;SMOTE处理类别不平衡并评估标签噪声稳健性;SHAP提供全局和局部解释;DIANA miRPath和miRDB提供生物学背景。局限包括:研究为回顾性计算研究;差异表达分析在训练-测试划分前进行,从严格ML角度可能存在信息泄漏,但该步骤被设计为生物学特征发现而非预测性特征选择;未纳入严格独立外部验证数据集;公开数据集临床异质性较大,人口学和临床变量未统一,疾病分期、肿瘤亚型、患者特征和治疗史不能一致纳入,因而不能解释为分期、亚型或治疗特异性标志物;微阵列结果需独立队列及RT-qPCR(reverse transcription quantitative PCR)或dPCR(digital PCR)等正交技术验证;SHAP不能建立生物因果;通路和靶点分析不构成实验验证;模型仅区分PC与健康对照,临床转化还需与良性胰腺疾病和其他临床相关疾病比较以确定诊断特异度。研究结论翻译:本研究引入一种多队列计算方法,结合差异表达分析、先进ML和可解释AI,以识别对PC具有高诊断价值的c-miRNA。来自五个GEO数据集的1,101份血清样本聚合数据集经过严格批次校正和标准化。该流程识别148个miRNA,并从中选择20个miRNA panel。该panel在贝叶斯堆叠集成模型中显示AUC=0.97的分类性能。基于SHAP的可解释性突出具有生物学意义的miRNA,如hsa-miR-125a-3p和hsa-miR-1290,其参与PC相关通路通过DIANA miRPath和miRDB分析检查。这些发现证实c-miRNA panel作为无创生物标志物促进PC早期检测的临床前景。未来工作应聚焦实验验证、前瞻性队列评估和检测标准化,以将这些计算衍生的生物标志物转化为临床可部署的诊断工具。