基于多队列转录组学数据的肺腺癌EGFR/KRAS/三阴性驱动突变亚型跨平台分类框架:贝叶斯优化集成模型与帕累托投票策略
《Diagnostics》:Multi-Platform Transcriptomic Classification of LUAD Driver Mutation Subtypes via Heterogeneous Ensemble Learning
【字体:
大
中
小
】
时间:2026年10月22日
来源:Diagnostics 3.8
编辑推荐:
**摘要**
**背景:** 准确识别肺腺癌(LUAD)中EGFR突变、KRAS突变及三阴性(TN)驱动基因突变亚型,对于指导靶向治疗至关重要,但标准的分子检测手段具有侵入性且并非在所有情况下都可行。基于基因表达谱的机器学习提供了一种避免额外侵入性采样的替代方案;然而,现有
**摘要****背景:** 准确识别肺腺癌(LUAD)中EGFR突变、KRAS突变及三阴性(TN)驱动基因突变亚型,对于指导靶向治疗至关重要,但标准的分子检测手段具有侵入性且并非在所有情况下都可行。基于基因表达谱的机器学习提供了一种避免额外侵入性采样的替代方案;然而,现有模型大多局限于二分类任务,缺乏跨平台泛化能力。**方法:** 我们开发了一个多队列、ComBat标准化的分析流程,整合了SHAP驱动的特征筛选和经过贝叶斯优化的异构五模型集成,并扩展了基于无泄露交叉验证的NSGA-II帕累托最优权重优化。外部验证使用独立的RNA-seq队列,并结合了参考批次标准化和阈值校准。**结果:** 帕累托投票(ParetoVoting)取得了最佳内部性能(F1-macro = 0.736,AUROC = 0.877),与软投票(SoftVoting,F1-macro = 0.735;Cliff's δ)在统计上无显著差异,后者被用于外部验证。在TCGA-LUAD上(n=228),软投票达到了F1-macro = 0.700,AUROC = 0.850,尽管这一结果反映了超范围KRAS阈值(代表性值约0.66–0.68)。消融分析显示,各组件在内部交叉验证中的贡献不均等,ComBat的关键作用则体现在跨平台外部泛化过程中。SHAP分析识别出了与已知LUAD致癌信号通路一致的、具有生物学连贯性的特征签名。**结论:** 该框架为从转录组学数据中进行三类驱动基因突变亚型分类提供了一种可重复、跨平台的方法,为这一探索不足的任务提供了基准,并在组织学检测不可行的情况下具有潜在的临床应用价值。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号