利用大规模基因组数据集对细胞系肿瘤亚型进行分层建模

《iScience》:Hierarchical modeling of tumor subtypes in cell lines using large-scale genomic datasets

【字体: 大 中 小 】 时间:2026年08月27日 来源:iScience 4.5

编辑推荐:

   亮点 •癌细胞系通常缺乏稳健且具有临床相关性的肿瘤亚型标签 •层次模型分配了组织、癌症类型和亚型身份 •若干细胞系不能代表任何相关的肿瘤亚型 •现有细胞系面板中许多肿瘤亚型的代表性仍然不足 摘要 癌细胞系(CLs)被广泛用于研究肿瘤生物学和药物反应,然而其转化相关性往往受到

  

亮点
•癌细胞系通常缺乏稳健且具有临床相关性的肿瘤亚型标签
•层次模型分配了组织、癌症类型和亚型身份
•若干细胞系不能代表任何相关的肿瘤亚型
•现有细胞系面板中许多肿瘤亚型的代表性仍然不足

摘要
癌细胞系(CLs)被广泛用于研究肿瘤生物学和药物反应,然而其转化相关性往往受到不准确的亚型注释的限制。现有的 CL-肿瘤匹配方法通常受限于扁平分类方案、薄弱的亚型定义以及正常组织参考的排除,导致肿瘤特异性信号和组织来源信号可能混淆。为解决这些局限性,提出了一种层次分类(HC)框架,在该框架中 CLs 与患者肿瘤在生物分辨率上对齐,从器官到分子亚型。整合了来自 802 个 CLs、5,612 个来自癌症基因组图谱(TCGA)的肿瘤以及 8,939 个非癌组织基因表达谱,以区分致癌信号和组织特异性信号。使用最大相关性最小冗余度选择节点特异性特征,在交叉验证中达到了 89% 的平衡准确率,在外部数据集上达到了 75% 和 80%。通过该框架,43 个 CLs 被重新分配,并识别出临床相关但代表性不足的亚型。

图文摘要

引言
细胞系(CLs)是研究生物机制、药物反应和基因功能的有效工具,同时避免了原代组织和完整生物体的复杂性。它们具有成本效益、一致性好、易于扩展,并且适合高通量测序。因此,大型资源如癌症细胞系百科全书(CCLE)和癌症药物敏感性基因组学(GDSC)将多组学读数与多种癌症类型和亚型的抗癌药物反应联系起来,为精准医学提供了机会,即从分子谱系中告知治疗选择。尽管前景广阔,CL 资源的临床转化性仍不确定。CLs 通常是在假设它们保留了所建模肿瘤的基因组和表观基因组特征的情况下使用的。在实践中,它们可能在衍生和传代过程中通过遗传漂变、克隆选择或未代表性群体的过度生长而发生分歧。此外,据报道存在由于临床医生错误、污染或从转移性病变采样导致的原始样本标记错误。因此,不能假设 CLs 的名义注释能可靠地反映其真实的肿瘤身份,这产生了开发算法以解决这一技术差距的需求,即通过改善体外癌症 CL 模型与可用癌症患者数据之间的对齐。这种错位可能产生重要后果,特别是对于在体外产生的高通量药物筛选数据的使用。在这些药物筛选中识别的治疗弱点只有当模型准确代表其原始肿瘤的亚型和分子表型时,才能可靠地外推到癌症患者。癌症 CLs 与患者肿瘤之间的对齐对于下游药物基因组学应用特别相关,包括基于机器学习的药物敏感性预测。最近整合转录组和化学特征的研究表明,模型性能强烈依赖于临床前模型的生物保真度,进一步支持了稳健 CL 注释框架的重要性。

先前的研究利用了来自癌症基因组图谱(TCGA)患者和主要 CL 资源(如 CCLE 和 GDSC)的 bulk RNA 测序(RNA-seq)数据,以改善 CLs 与其原始肿瘤和亚型的映射。机器学习方法已被用于建模高维基因表达模式,通常通过将批次校正方法(如相互最近邻或 ComBat)与监督分类器结合,或者通过使用二元事件矩阵(例如体细胞突变)来避免显式的批次校正。在此基础上,大量工作旨在澄清 CLs 的细胞起源,并评估它们在体外保留肿瘤特征的程度。癌症类型特异性研究表明,许多 CLs 可以被分配到亚型,而另一些则显示出与它们注释不一致的特征。使用基于 TCGA 训练并应用于 CCLE 的全癌模型的研究提出了精心策划的 CL 面板,并识别出比最初建议的与其他癌症类型关系更密切的 CLs。此外,基于多组学相似性的方法,如 Bose 和 Bozdag 的方法,以及像 Salvadores 等人那样的整合方法,为错误注释的 CLs 提供了进一步的见解,并细化了 CL 注释。

尽管此前为改善癌症 CLs 与患者肿瘤之间的对齐做出了努力,但仍存在重要的技术差距。首先,肿瘤分类最常以一对一所有的方式进行,将癌症类型和亚型视为独立且同样不同的类别,未能考虑它们之间明显的生物关系。其次,大多数方法在基因组表达谱上运行而不进行显式的特征选择,允许技术或细胞培养相关信号主导对齐和分类。第三,正常组织通常被排除在这些分析之外,限制了生物分辨率,使得难以确定驱动分类的分子特征究竟是真正的致癌性还是反映了正常组织身份。这种区分对于识别疾病相关标志物和改善模型可解释性至关重要。

在本研究中,通过多项改进解决了这些技术差距。首先,手动策划了具有临床意义的癌症亚型,以增加生物和临床相关性。其次,为了能够在癌症 CLs 和患者组织样本之间进行稳健比较,整合了来自 TCGA、基因型 - 组织表达项目(GTEx)、CCLE 和 GDSC 的基因表达数据,并使用 ComBat 应用了批次校正。重要的是,这种方法纳入了来自 GTEx 和 TCGA 相邻样本的非癌组织谱,提供了生物学基础参考,以区分癌症特异性分子改变和组织来源效应。第三,除了 CCLE 的 CL 谱外,还纳入了 GDSC 的 CL 谱,扩大了分析的 CLs 的多样性和数量。第四,开发了一种层次分类(HC)框架来建模癌症的嵌套组织(器官、癌症类型和亚型),减少生物学上不可行的跨器官混淆,并改善可解释性。最后,沿层次结构应用了节点特异性特征选择,以识别每个决策点的信息基因,提供了对组织特异性和亚型身份分子决定因素的见解。

使用该框架,来自 GTEx、TCGA、CCLE 和 GDSC 的基因表达谱通过批次校正进行对齐,利用来自 GTEx 和 TCGA 肿瘤相邻样本的非癌组织样本建立稳健的组织基线。HC 模型随后在跨越 12 个器官和 18 个 TCGA 癌症类型的 8,939 个非癌和 5,612 个肿瘤样本上进行训练。训练好的模型随后被应用于预测来自 CCLE 和 GDSC 的 802 个癌症 CL 基因表达谱的器官、癌症类型和分子亚型。为了进一步评估模型稳健性,使用外部卵巢癌(OV)数据集和完全由肿瘤细胞组成的乳腺癌伪 bulk 数据集评估了泛化能力,提供了类似 CL 的验证环境。最后,使用适用域(AD)和预测置信度指标来评估单个预测的可靠性,支持注释的透明下游使用。

结果
将正常组织纳入批次校正改善了癌症 CLs 与肿瘤表达景观的对齐
本研究的首要目标是通过明确纳入正常组织参考来改善癌症 CLs 基因表达谱与癌症患者基因表达谱之间的对齐。

如图 1 所示,批次校正框架产生了 CLs 与其对应组织来源之间的可观对齐。在批次校正之前,只有皮肤和食管/胃 CLs 与患者样本对齐(图 S2)。校正后,CLs 与它们意图代表的假定肿瘤样本聚类得更紧密,特别是对于乳腺、结直肠、皮肤、肾脏、卵巢/输卵管和膀胱癌。值得注意的是,食管和胃 CLs 与肠道肿瘤样本重叠,支持将这些癌症归类在共享的胃肠道(GI)亚型下的选择。这种重叠反映了 GI 癌症及其 CLs 之间潜在的分子相似性,并证明了在下游分析中对这些组织使用统一亚型分类的合理性。一部分 CLs 也与肺癌肿瘤对齐,特别是那些源自鳞状上皮的(例如头颈鳞状细胞癌 [HNSC] 和食管鳞状细胞癌 [ESCC]),这可能反映了它们与肺鳞状细胞癌(LUSC)的相似性(图 1A)。脑癌 CLs 形成了与患者脑肿瘤和其他 CLs 都不同的组,反映了独特的表达特征,同时仍然与脑肿瘤最相似。

图 1 CL 和患者样本基因表达谱的对齐
显示完整标题
图查看器
(A) 患者组织样本(+)和 CL 样本(o)的批次校正(ComBat)log2 转换每百万转录本(TPM)值的均匀流形近似和投影(UMAP)。
(B) 使用所有 13,007 个特征、最佳模型选择的所有特征、所有正常节点特征和所有肿瘤节点特征在 PCA 空间(20 个主成分)中 CLs 及其 10 个最近邻患者样本的平均谱系匹配(误差线 = 标准误差)。
(C) 患者和 CLs 之间所有基因的效果量(Cohen's d)用于批次校正和未校正数据(标准化)。

使用主成分分析(PCA)空间中基于 10 个最近患者邻居的组织匹配分数来量化 CL-肿瘤对齐(图 1B)。将分析限制在最佳 HC 模型选择的特征上,相对于全基因集改善了组织级匹配。最大的改善观察于肺(0.658–0.774)、中枢神经系统/脑(0.772–0.851)和卵巢/输卵管癌(0.654–0.706)。永生化非癌前列腺 CL 谱观察到匹配较差,使用所有基因的匹配分数为 0.100,使用选择特征集为 0.025。在所有癌症类型中,平均组织匹配分数从使用所有基因的 0.678 增加到使用 HC 选择特征的 0.688,当将分析限制在用于 TCGA 类型区分和非癌谱系分离选择的特征时,进一步增加到 0.772 和 0.801。

使用 Cohen's d 的效果量分析表明,ComBat 校正大幅减少了 CL 和患者样本之间的基因表达差异(图 1C)。批次校正后,使用逻辑分类器不再能分离 CL 和组织样本(平衡准确率 = 0.50),而在 CLs 中患者性别仍然可预测,当模型在患者组织数据上训练时(平衡准确率 = 0.77),表明保留了生物意义信号。

消融基准测试表明,在训练期间包含正常组织样本改善了交叉验证(CV)平衡准确率,特别是当与 ComBat 批次校正和协变量结合时。此外,当预测限制在 TCGA 肿瘤样本时,批次校正没有人为膨胀性能(图 S3A)。在外部乳腺癌伪 bulk 数据集中,批次校正对于保持预测性能至关重要,并大幅改善了平衡准确率(图 S3B)。相比之下,包含正常样本仅提供适度的额外益处。这些结果表明,批次校正对于稳健的跨数据集泛化是必要的,而包含正常样本主要贡献较小的性能增益。

总体而言,数据集之间的批次效应得到有效最小化,同时保留了生物变异。未实现完全均质化,反映了数据集之间固有的生物差异,其中 GTEx 和伪 bulk 样本保持最独特,CCLE 和 GDSC 样本表现出最高相似性,而 TCGA 样本显示出与 CL 谱最接近的对应关系。

HC 增强肿瘤亚型分配准确率
使用基于 TCGA 样本及其相应分子亚型训练的模型,将 CLs 映射到其原始肿瘤和亚型。因此,实现了四种层次设计,用于将正确的癌症亚型标签分配给 TCGA 患者样本,并结合六种内部分类器(带 L1、L2、Elastic Net 或无惩罚的 LogReg;带线性或径向基函数 [RBF] 核的支持向量机 [SVM])使用嵌套 CV 进行评估。内折用于超参数调整和特征选择,而外折提供了泛化性能的无偏估计。此外,使用源自单细胞数据集的乳腺癌患者伪 bulk 转录组数据进行了外部验证,以评估独立设置下的分类准确率。

图 2 总结了评估的 HC 设计和内部分类器在 CV 下的性能。跨越测试折,平衡准确率根据分类器 - 层次组合而变化。基于 LogReg 的层次模型表现最一致,实现高达约 0.89 的平衡准确率,而基于 SVM 的分类器显示出更多变的性能,特别是在纳入 TCGA 类型标签的层次中。在扁平模型中,线性 SVM 实现了最强性能,平衡准确率接近 0.88(图 2A)。在层次结构中,H3(肿瘤/正常、TCGA 类型和亚型)是跨模型的最佳整体表现者,并优于所有对比的扁平方法。H1 也提供了具有竞争力的性能,而 H2 持续未能优于扁平分类器。

即使是 H4 中简化的两级结构(器官和亚型)也提高了大多数分类器类型的性能,表明即使纳入最小的生物层次也能带来可衡量的益处。图 2 HC 系统在癌症亚型匹配中的基准测试结果显示完整标题图查看器(A)患者数据中不同内部分类器和层次组合及其扁平分类器对应模型在有无基于 MRMR 的特征选择情况下的平衡准确率(CV = 5)。突出显示平均性能最佳的模型。方框表示四分位距(IQR),须线表示排除异常值(o)后的全部分布。(B)相同模型在外部乳腺癌伪 bulk 数据集上的平衡准确率(CV = 5)。突出显示平均性能最佳的模型。方框表示 IQR,须线表示排除异常值(o)后的全部分布。(C)在使用逻辑 L2 内部分类器的 HC 模型中,测试折(CV = 5)中每个类别的 F1 分数(层次 3:肿瘤/正常,TCGA 类型和亚型)(误差棒 = 95% 置信区间)。

亚型特异性信号的保留体现在批次校正后患者组织样本按亚型聚类(图 S4)。在这个外部验证集上,性能差异变得更加明显。最佳的扁平模型(带 L1 罚项的 LogReg)实现了 0.70 的平衡准确率,而最佳的层次模型达到了 0.75。LogReg 从层次建模中受益最多,所有层次逻辑模型均优于其扁平对应模型(图 2B)。

整合跨数据集的性能,总体最佳的模型是在层次 H3 下带 L2 罚项的 LogReg,在患者样本上实现了 0.88 的平衡准确率,在伪 bulk 数据上为 0.75。该模型以近乎完美的准确率对正常样本和常见亚型进行分类。较罕见或定义较不明确的亚型,如神经元和管状膀胱癌、经典型或间质型胶质母细胞瘤、毛细胞型星形细胞瘤样(PA 样)低级别胶质瘤、基因组稳定性(GS)型胃肠道癌症,以及原始/分泌型肺鳞状细胞癌,则更具挑战性(图 2C)。至关重要的是,错误分类仍保持在正确的组织谱系内,证明了层次方法所强加的生物学合理性(图 S5)。在外部 GEO: GSE26712 OV 数据集中,同样的 HC 方法实现了 0.80 的平衡准确率,而扁平对应模型为 0.76。

尽管 HC 取得的性能提升总体上是适度的,但考虑到多类亚型预测任务的难度以及最佳扁平模型已经较强的性能,即使是微小的改善也是有意义的。此外,HC 框架的主要优势在于其 improved interpretability(可解释性),因为预测可以通过具有生物学意义的决策节点进行追踪,并与肿瘤和亚型特异性的分子特征联系起来。此外,在独立的伪 bulk 和 bulk OV 数据集上观察到的更大性能提升表明泛化能力增强,这对于在不同领域间转移亚型标签尤为重要。综上所述,这些结果表明 HC 可以在提供适度的预测性能提升的同时,比扁平方法提供更具有生物学可解释性的亚型预测。

层次感知特征选择揭示了具有生物学信息量和亚型特异性的标记物

所实施的特征选择过程的附加值,特别是从生物学视角来看,是通过评估所选特征在 CV 折次间是否保持稳定来评价的。在基于患者数据集计算互信息分数对 80% 的特征进行初步修剪后,应用最大相关最小冗余(MRMR)为每个内部分类器选择特征。由此产生的基因集提供了对分类器决策的洞察,并突出了亚型特异性或广泛具有信息量的生物标志物。

针对性能最佳的层次模型,评估了所选特征集的稳定性 和特异性(图 3)。CV 折次间特征稳定性最高的是位于层次顶端的分类器,包括区分肿瘤与正常样本、按器官分离正常组织以及分类 TCGA 癌症类型的分类器。在亚型分类器中,乳腺癌浸润性癌(BRCA)、胃腺癌(STAD)和食管癌(ESCA)显示出最一致的特征集,而胶质母细胞瘤(GBM)、膀胱尿路上皮癌(BLCA)和嗜铬细胞瘤和副神经节瘤(PCPG)显示出较低的稳定性(图 3A)。所选特征的数量因分类任务而异。肿瘤 - 正常分类器以及 ESCA、STAD 和 BRCA 的亚型分类器需要最大的特征集(平均>800 个特征),而分离正常组织以及 GBM 和前列腺腺癌(PRAD)亚型分类所需的特征较少(图 3B)。所选特征对每个分类任务的特异性显示出相对较高。大多数内部分类器选择的特征与层次内的任何其他内部分类器没有高度相似性,直肠腺癌(READ)和结肠腺癌(COAD)除外,它们共享相同的亚型标签。否则,最相似的特征集通常存在于生物学相似的癌症或组织类型中,如 STAD 和 ESCA。与其他任何癌症类型相比,PRAD、PCPG 和 GBM 往往具有高度独特的特征(图 3C)。

图 3 跨折次所选特征的稳健性和数量及其节点特异性显示完整标题图查看器(A)最佳层次模型中每个节点所选特征通过杰卡德指数在折次间的稳健性(CV = 5)。误差棒表示标准差。(B)层次中每个节点所选特征的数量。误差棒表示标准差。(C)层次 3 中不同节点之间所选特征集之间的杰卡德指数。

尽管初步修剪步骤后保留了大量特征池,但每个内部分类器依赖于一个明显较小的子集,平均选择 546 个基因。在某些折次中,仅用 10 个特征就实现了准确的预测,这表明对于某些分类任务,只需要一组紧凑的信息基因。层次中较深的复杂子任务偶尔需要最大数量的特征(1000 个),反映了细粒度亚型区分的难度增加。大多数预测能力集中在相对较小的特征子集中,额外的特征仅带来有限的性能提升。这表明大部分预测信号集中在相对较小的基因子集中,尽管额外的特征仍为几个节点提供了适度的增益,表明来自更广泛转录程序的贡献(图 S6)。

通过检查 LogReg 模型的系数以及 CLs 和患者样本中各亚型之间所选基因的折叠变化对数,评估了所选特征的生物学相关性(图 S7 和 S8)。在患者肿瘤中观察到了明显的亚型特异性表达模式,而相应的 CLs 通常仅捕捉到了这些转录差异的一部分。一致性程度因癌症类型而异,突出了体外模型反映或未能重现患者水平亚型变异的环节。

在各节点中,分类器表现出明显的亚型特异性加权模式,几个基因显示出强烈且独特的系数特征。系数分布显示,一些分类器依赖于少数大数值系数的狭窄集合,而另一些则显示出更广泛的加权模式,表明不同癌症间亚型可分离性的程度不同。许多系数接近零,表明某些所选基因的个体预测贡献有限。正则化可以通过收缩系数来减轻此类特征的影响,这可能解释了为什么正则化 LogReg 模型偶尔优于非正则化对应模型(图 S8)。

通过比较两个领域中基于 CL 数据集预测亚型标签的基因级 Z 分数,进一步评估了患者肿瘤与 CLs 之间基因表达模式的保留。跨癌症类型,患者组织与相应 CLs 之间的基因组合 Z 分数显示出强烈的整体相关性,表明大多数基因的相对表达特异性在体外得到了合理的保留。当将比较限制为仅由 MRMR 为每个节点选择的基因时,相关性进一步改善。然而,肾乳头状细胞癌(KIRP)、脑低级别胶质瘤(LGG)、LUSC,特别是肺腺癌(LUAD),在使用所选基因集时相关性下降(图 S9)。对于 LUAD,这种情况在 TRU 亚型中尤为明显,由于只有一个 CL 被分配给该亚型(最初标记为 COAD CL),患者和 CLs 之间的相关性非常低(图 S10)。这是预期的,因为这些分类器选择的特征不是为了区分不同的 TCGA 类型,而是为了区分单一癌症内的不同亚型。考虑到这一点并探索亚型水平,只有 4 个亚型在使用模型选择的基因集在领域间对齐时没有看到改善。

此外,进行了功能富集分析以表征与节点特异性基因集相关的生物过程(详见 STAR 方法)。富集分析后,保留显著通路(p < 0.05)并将其分组为更广泛的生物学主题以减少冗余。对于每种肿瘤,基于最显著的通路定义主导主题。汇总该主题内富集通路中贡献的基因以识别关键基因,并将跨富集通路最频繁出现的基因定义为推定生物标志物,代表肿瘤相关转录程序的核心组成部分。值得注意的是,由于 HC 模型是在患者肿瘤上训练的,随后用于为 CLs 分配亚型标签,所选特征的生物学表征为注释框架提供了额外的验证层。这些分析有助于评估转移标签的生物学合理性,并提供机制支持,证明注释的 CLs 代表相应的患者来源分子亚型。此外,识别出的生物标志物和通路可能有助于指导选择最能捕捉特定生物过程用于下游实验和转化研究的 CLs。表 1 总结了跨肿瘤类型所选基因富集的主要生物学通路,并突出了最频繁贡献于这些通路的基因,作为每种肿瘤特异性主题的候选生物标志物报告。表 S2 中有最佳层次模型所选顶级基因的分析。

表 1
跨肿瘤类型富集的生物学通路和候选生物标志物摘要

对于每种肿瘤,表格报告了富集分析识别的主导生物学主题、最显著的代表性通路及其来源数据库(基因本体论生物学过程 [GO:BP]、Reactome [REAC] 和京都基因与基因组百科全书 [KEGG])、相应的 p 值,以及最频繁贡献于富集通路的基因,作为推定生物标志物连同简要的生物学解释报告。推定生物标志物附有跨亚型患者和 CLs 之间 Z 分数的皮尔逊相关性。

| 肿瘤 | 主导生物学主题 | 代表性通路 | 来源 | 最佳 p 值 | 推定生物标志物(相关性) | 生物学解释 |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| BLCA | 发育/分化 | 解剖结构形态发生 | GO:BP | 7.86E?09 | HEY1 (0.81), TBX3 (0.69), SPHK1 (0.20) | 反映发育或组织分化程序 |
| BRCA | 细胞周期/有丝分裂 | 细胞周期检查点 | REAC | 9.32E?07 | CDC20 (0.85), AURKB (0.86), SGO1 (0.78) | 指示增殖活性以及对有丝分裂和染色体分离的调节 |
| COAD | 其他生物过程 | GABA 合成、释放、再摄取和降解 | REAC | 0.001514 | RAB3A (0.58), SYT1 (0.65), CPLX1 (0.47) | 代表该肿瘤基因集的主导富集生物学程序 |
| ESCA | 发育/分化 | 表皮发育 | GO:BP | 4.57E?07 | SLC44A4 (0.81), CSTA (0.86), TMEM79 (0.48) | 反映发育或组织分化程序 |
| HNSC | 细胞外基质/基质重塑 | 胶原蛋白代谢过程 | GO:BP | 8.09E?08 | COL1A1 (0.74), EMILIN1 (0.48), COL5A1 (0.22) | 提示细胞外基质重塑、基质相互作用或侵袭性行为 |
| KIRP | 其他生物过程 | 神经节苷脂生物合成 - 乳糖和神经乳糖系列 | KEGG | 0.012685 | B4GALNT2 (0.54), A4GALT (0.86), B3GNT4 (0.53) | 代表该肿瘤基因集的主导富集生物学程序 |
| LGG | 发育/分化 | 胚胎骨骼系统形态发生 | GO:BP | 0.006551 | SHOX2 (0.57), HOXA5 (0.55), HOXB3 (0.58) | 反映发育或组织分化程序 |
| LUAD | 细胞周期/有丝分裂 | 核染色体分离 | GO:BP | 5.51E?12 | NUF2 (0.88), BIRC5 (0.86), NEK2 (0.86) | 指示增殖活性以及对有丝分裂和染色体分离的调节 |
| LUSC | 发育/分化 | 发育过程 | GO:BP | 4.14E?06 | FOXA1 (0.85), HES6 (0.82), TRIM16 (0.88) | 反映发育或组织分化程序 |
| OV | 其他生物过程 | 整合素细胞表面相互作用 | REAC | 5.78E?10 | COL5A2 (0.31), COL5A1 (0.22), COL1A1 (0.74) | 代表该肿瘤基因集的主导富集生物学程序 |
| PCPG | 其他生物过程 | 小分子分解代谢过程 | GO:BP | 0.006745 | SULT2A1 (0.76), APOE (0.85), SCARB1 (0.71) | 代表该肿瘤基因集的主导富集生物学程序 |
| PRAD | 其他生物过程 | 血管平滑肌收缩 | KEGG | 0.003345 | KCNMB3 (0.59), CALM2 (0.83), ITPR3 (0.82) | 代表该肿瘤基因集的主导富集生物学程序 |
| READ | 其他生物过程 | GABA 合成、释放、再摄取和降解 | REAC | 0.001514 | RAB3A (0.58), SYT1 (0.65), CPLX1 (0.47) | 代表该肿瘤基因集的主导富集生物学程序 |
| SKCM | 免疫/炎症信号 | 免疫系统中的细胞因子信号 | REAC | 0.002494 | IRF1 (0.33), IL2RG (0.71), TNFRSF14 (0.88) | 提示免疫相关或炎症转录程序 |
| STAD | 其他生物过程 | GABA 合成、释放、再摄取和降解 | REAC | 0.000651 | RAB3A (0.58), SYT1 (0.65), CPLX1 (0.47) | 代表该肿瘤基因集的主导富集生物学程序 |
| 所有肿瘤 | 蛋白质合成/翻译 | 真核翻译延伸 | REAC | 0.000121 | RPS10 (0.94), RPL36A (0.85), RPL26 (0.93) | 反映升高的翻译活性和核糖体相关过程 |

性能最佳的层次模型(层次 H3 下带 L2 正则化的 LogReg)被应用于 CCLE 和 GDSC 转录组谱,以预测谱系、癌症类型和分子亚型。预测可靠性指标突出了互补的不确定性来源并揭示了潜在的标记错误和癌症 CL 表征中的空白。

预测可靠性使用三个互补指标进行评估:类别概率熵、前两个概率差以及使用经互信息过滤的前 20% 基因计算的应用域(AD)距离比。这些指标使用外部乳腺癌伪 bulk 数据集进行评估,随后应用于细胞系(CL)预测。在外部伪 bulk 数据集上,AD 距离显示与分层模型的错误分类率相关性极小(r = 0.01),但对于扁平 SVM 分类器则具有更多信息量(r = 0.48),表明扁平模型对域相似性更敏感。熵和前两个概率差在 CL 预测中高度相关(Pearson r = 0.96; Spearman r = 0.91),而这两个指标均与 AD 距离没有显著相关性,突显了它们在捕捉概率不确定性和域偏移方面的不同作用。膀胱 CL 预测观察到最高置信度,其次是肠道、前列腺和肾脏 CL。前列腺和肺 CL 表现出最大的 AD 距离,而皮肤和肠道 CL 最接近训练域。尽管 AD 距离相当,但与原发性 CL 相比,转移性 CL 显示出增加的概率不确定性,这表明保留了全局组织相似性,但降低了亚型特异性信号分辨率。总共,612 个 CL 预测被标记为高置信度,141 个为中等置信度,49 个为低置信度。建议高置信度预测直接用于下游分析,中等置信度预测应谨慎解读,低置信度预测应视为模糊。综上所述,这些结果表明结合概率置信度指标与 AD 距离能够可靠地识别不可靠或域外预测。

亚型预测揭示了各种生物学上合理的注释错配。总体而言,94% 的 CL 被分配至其原始注释的组织谱系。三个名义上的非癌症 CL(HMEL、BPH-1 和 PWR-1E)被分类为癌症并重新分配到替代谱系。802 个 CL 图谱中有 43 个(5.4%)被重新分配到新的谱系,最常见的是重新分配到膀胱、胃肠道、皮肤或肺。错误分类主要局限于相关的上皮谱系,这与共享转录程序一致。

虽然大多数 CL 被分配至其预期的癌症类型和亚型,但观察到几个显著的跨谱系预测(数据 S1)。膀胱、乳腺和脑癌模型揭示了亚型特异性偏差以及转录图谱更类似于其他肿瘤类型的 CL 示例。肺癌表现出最高程度的不一致性,许多非小细胞肺癌 CL 与胃肠道、乳腺、肾脏或膀胱癌亚型一致,表明共享上皮程序、鳞状分化或潜在的注释问题。在胃肠道、头颈、肾脏和卵巢(OV)CL 中也观察到类似的跨谱系分配,尽管一些差异取决于数据集,并且在 CCLE 和 GDSC 表达图谱之间有所不同,突显了数据源对 CL 表征的影响。相比之下,所有皮肤癌 CL 均正确分配至其名义谱系,而几个源自其他组织(特别是胶质瘤模型)的 CL 被预测为黑色素瘤,包括之前被报告为存在问题和可能误鉴定的黑色素瘤 CL 的 LN464。综上所述,这些发现表明,尽管大多数 CL 保留了谱系特异性转录特征,但一部分 CL 显示出与其注释组织来源不一致的分子图谱,这反映了癌症间的生物学趋同、遗传漂变或注释及身份问题。

为了进一步证实 CL 谱系预测,将结果与国际细胞系鉴定委员会(ICLAC)的误鉴定细胞系注册表(版本 14)中的条目进行了比较。研究中包含的 14 个 CL 存在于注册表中。其中,最初建立为胃癌 CL 但随后重新分配到肺癌的 GT3TKB,被 HC 预测为肺癌。同样,最初注释为乳头状甲状腺癌随后重新分配到卵巢癌的 ONCO-DG-1,被预测为卵巢癌(OV)。LN464 是黑色素瘤这一事实也得到了 ICLAC 的证实。对于起源不确定或未解决的受污染 CL,MEL-HO 被预测为黑色素瘤,NCI-H630 被预测为胃肠道癌症,OC 314 和 OC 316 被预测为卵巢癌(OV)。GOS-3 最初注释为星形少突胶质瘤,但已重新分配到胶质母细胞瘤。该 CL 被 HC 模型预测为 LGG。其余六个 ICLAC 列出的 CL 在其报告的注释和 ICLAC 记录之间没有谱系差异,其预测的癌症类型与这些注释一致。因此,ICLAC 注册表中记录的已知谱系重新分配被 HC 重现,而为起源未解决的 CL 提供了合理的谱系分配。

对 62 个共享 CL 的 CCLE 和 GDSC 图谱之间的预测比较显示了高度一致性,55 个 CL 的 TCGA 癌症类型预测一致,45 个 CL 的亚型预测匹配。只有一个 CL(A427)在两个数据集中都被一致地分配至不同的组织谱系,表明与其名义注释存在实质性差异。在这些情况下,应优先选择置信度较高的预测。

发现几种 clinically 相关的肿瘤亚型在 CL 中代表性不足或缺失(图 4)。免疫富集亚型,包括 BLCA 管腔浸润型和免疫定义的肾脏亚型(肾嗜铬细胞瘤 [KICH] Eosin.0 和 KIRP 1 型),很少或从未被分配,这可能反映了 CL 模型中免疫成分的缺失。相反,与预后较差和更清晰的分子标志物相关的 KIRP 2 型更频繁。在肺癌中,分化良好的 LUAD TRU 亚型很少被代表,而正如其他研究报告的那样,侵袭性近端炎症和增殖性亚型占主导地位。总体而言,CL 富集了侵袭性、基底样转录程序,而分化更好或依赖免疫的亚型代表性不足(图 4A)。

图 4 每个亚型预测的 CL 频率以及每个亚型相关的概率分布熵
显示完整标题
图形查看器
颜色指示不同的谱系。结果为 HC 模型,内部采用 L2 惩罚的 LogReg,分层将肿瘤样本与正常样本分开,然后是 TCGA 类型,最后是亚型(H3)。较低的熵意味着更自信的预测。方框显示中位数、第 25 百分位和第 75 百分位。

总体而言,CL 中最常见的亚型被预测为染色体不稳定的胃肠道癌症,这是胃肠道癌症患者中最常见的亚型。然而,由于该亚型广泛以染色体不稳定为特征,该亚型可能会捕捉到许多不可靠预测的亚型。这可以在许多这些预测的低概率熵中看到(图 4B)。这些发现表明,预测置信度指标可以识别不可靠注释,且现有的 CL 面板系统地偏向侵袭性肿瘤表型。这种偏差对临床前建模、药物反应解读和生物标志物发现具有重要意义,强调需要在 CL 资源中改进肿瘤异质性的代表性。完整的 CL 注释和指标提供在数据 S1 中。

Yu 等人将 CCLE CL 分配到九种肿瘤类型的分子亚型,其中五种与本研究的亚型定义重叠(BRCA、LUAD、LUSC、HNSC 和皮肤黑色素瘤 [SKCM]),使得直接比较成为可能。在 215 个 CL 图谱中,134 个(62.3%)获得了相同的亚型分配。大多数差异发生在同一肿瘤类型内的亚型之间或 LUAD 和 LUSC 之间。这些差异可能反映了方法上的区别。Yu 等人使用最近模板预测方法独立地在每种肿瘤类型内进行亚型分类,并且没有包含正常组织样本。因此,他们的框架不能将 CL 分配到替代肿瘤类型或正常组织。相比之下,提出的分层分类器是在一系列肿瘤类型上训练的,并包含了正常样本,允许在 CL 的转录图谱更匹配另一种肿瘤类型或正常组织时进行重新分配。这种设计能够在肿瘤间识别更广泛的转录程序,同时考虑既定 CL 中潜在的误注释或偏离的谱系身份。此外,分层结构允许通过生物学上有意义的谱系和亚型决策追溯预测,从而提高可解释性。

讨论
描述的分层分类器(HC)方法显著改善了癌症 CL 与患者肿瘤亚型的对齐,实现了高达 0.89 的平衡准确率。该方法为改进实验模型选择和转化研究提供了稳健、可解释的基础。通过利用分层建模和特定任务特征选择,分析重现了已知的生物学偏差和误注释,并揭示了当前 CL 面板中的关键缺口——特别是缺乏低侵袭性和高免疫浸润亚型,如 BLCA 管腔型和 LGG Codel。

这些发现与之前的研究一致,表明肿瘤和 CL 之间的转录相似性在不同癌症类型间差异巨大,且许多常用 CL 未能完全捕捉到患者肿瘤中观察到的分子异质性。重要的是,识别出缺乏代表性 CL 的肿瘤亚型突显了传统体外癌症模型的持久局限性。之前的研究强调了患者来源的原代培养物作为补充临床前模型的价值,能够捕捉到既定 CL 中通常缺乏的与临床相关的肿瘤特征。因此,开发和整合此类患者来源的模型可能有助于解决已识别的亚型代表性缺口,特别是在精准肿瘤学中,准确的临床前模型对于将分子发现转化为可临床操作的治疗策略至关重要。

研究的局限性
尽管取得了这些进展,但仍存在关于批次效应和转移性数据的局限性。具体而言,使用的批次校正协变量包括组织来源和肿瘤状态,这可能引入了轻微的直推效应,或通过过度校正掩盖了真实的肿瘤程序,尽管在未校正的 TCGA 数据上的表现保持相似。此外,对于样本量较小的罕见亚型,预测敏感性可能受到限制,即使应用了 20 个样本的阈值。肿瘤纯度、训练期间缺乏转移性肿瘤样本以及 CL 中缺乏微环境成分可能进一步限制了校准准确性,因为许多亚型定义部分依赖于在体外未代表的免疫或基质信号。因此,CL 中缺失的亚型分配可能反映了技术局限性、抽样效应或缺乏肿瘤微环境信号,而不是相应亚型生物学的真实缺失。

资源可用性
主要联系人
进一步信息和资源的请求应指向并交由主要联系人 Vittorio Fortino (vittorio.fortino@uef.fi) 履行。
材料可用性
本研究未生成新的独特试剂。
数据和代码可用性
•处理后数据在 Zenodo [https://doi.org/10.5281/zenodo.21531844] 上公开可用,截至出版日期
•所有原始代码在 https://github.com/UEFBiomedicalInformaticsLab/HiSACS 上可用
•重新分析本文报告数据所需的任何附加信息均可在请求时从主要联系人处获得。

致谢
这项工作得到了 Jane and Aatos Erkko Foundation [210026 给 V.F.]、Sigrid Jusélius Foundation 和 Instrumentarium Science Foundation [250019 给 J.M.] 的支持。计算分析在芬兰东大学生物信息学中心提供的服务器上完成。图形摘要使用 BioRender 创建。

作者贡献
J.M.,写作 – 审阅和编辑,写作 – 初稿,可视化,软件,方法,调查,形式分析,数据整理和概念化;T.J.R.,方法和写作 – 审阅和编辑;V.F.,监督,项目管理,写作 – 审阅和编辑,验证,方法,概念化和资金获取。

利益声明
作者声明没有竞争利益。

STAR 方法
关键资源表
试剂或资源 来源 标识符
沉积数据
脚本和代码 本文 https://github.com/UEFBiomedicalInformaticsLab/HiSACS
处理后数据 本文 https://doi.org/10.5281/zenodo.21531844
原发性肿瘤和正常组织 RNA-seq 数据及亚型注释 TCGAbiolinks (v2.25.3) https://doi.org/10.18129/B9.bioc.TCGAbiolinks
正常 RNA-seq 图谱 GTEx (v8) https://doi.org/10.1038/ng.2653
CCLE 细胞系 RNA-seq 图谱 DepMap portal (22Q3/23Q2 release) https://doi.org/10.6084/m9.figshare.22765112
GDSC 细胞系 RNA-seq 图谱 Expression Atlas https://doi.org/10.1093/nar/gks1111
乳腺癌单细胞 RNA-seq 数据 CellxGene GEO: GSE176078; https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE176078
卵巢癌微阵列数据集 Bonome et al. GEO: GSE26712; https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE26712
卵巢癌微阵列数据集亚型注释 Konecny et al. https://doi.org/10.1093/jnci/dju249
软件和算法
R v4.2.2 R Core Team N/A
Python v3.9.12 Python Software Foundation N/A
pyComBat v0.3.3 Behdenna et al. https://github.com/epigenelabs/pyComBat
modified sklearn-hierarchical-classification v1.3.2 globality-corp https://github.com/globality-corp/sklearn-hierarchical-classification
scikit-learn v1.5.2 Pedregosa et al. https://pypi.org/project/scikit-learn/1.5.2/
applicability-domain v0.1.0 yu9824 https://github.com/yu9824/applicability_domain/
mrmr-selection v0.2.8 Samuele Mazzanti https://github.com/smazzanti/mrmr
pandas v2.2.3 The pandas development team https://doi.org/10.5281/zenodo.3509134
https://pypi.org/project/pandas/2.3.2/
numpy v2.0.2 Harris et al. https://pypi.org/project/numpy/2.0.2/
matplotlib v3.9.2 Hunter https://pypi.org/project/matplotlib/3.9.2/
seaborn v0.13.2 Waskom https://pypi.org/project/seaborn/
umap-learn v0.5.6 McInnes et al. https://pypi.org/project/umap-learn/
scanpy v1.10.3 Wolf et al. https://pypi.org/project/scanpy/1.10.3/
g:Profiler Kolberg et al. https://biit.cs.ut.ee/gprofiler
xgboost v2.1.1 N/A https://pypi.org/project/xgboost/2.1.1/
在新标签页中打开表格

方法细节
数据收集和处理
患者数据集(TCGA, GTEx)用于模型训练和交叉验证(CV),而 CL 数据集(CCLE, GDSC)用作预测目标。伪 bulk 乳腺癌数据集(CellxGene)用于模型性能的外部评估,连同 bulk 卵巢癌数据集(基因表达综合数据库)。原发性肿瘤和相邻正常组织 RNA-seq 数据(TPM)及亚型注释是使用 R (v4.2.2) 中的 TCGAbiolinks (v2.25.3) 从 TCGA 获得的。额外的非癌症组织样本从 GTEx v8 下载。CCLE TPM 表达数据和元数据从 DepMap portal (22Q3/23Q2 release) 获得,而 GDSC 表达数据通过 Expression Atlas 检索。单细胞 RNA-seq 数据通过 CellxGene 从 GEO: GSE176078 获得。所有数据集都映射到人类参考基因组(GRCh38),并使用 limma 将基因标识符标准化为 HGNC 基因符号。样本纳入标准详见表 S1。对于 GDSC,对重复基因测量取平均值,移除在 >100 个样本中缺失值的基因,并使用中位数填补剩余的缺失值。基于分子相似性,TCGA READ 和 COAD 被分组为肠道癌,ESCA 和 STAD 被分组为食管/胃。

所有胃肠道 (GI) 癌症由于遗传模式重叠而共享亚型定义。元数据在各数据集间进行了人工协调,排除了未定义的亚型以及由少于 20 个患者样本代表的 10 个亚型,以仅针对稳健的主要程序。基因表达值进行了对数 2 转换,仅保留所有数据集中共享的基因(n = 13,007)。单细胞数据被聚合为每位患者的伪批量样本,生成单独的肿瘤和非癌症伪批量谱,这些谱被转换为 TPM 并像 bulk 样本一样进行相同处理。使用 pyComBat (v0.3.3) 进行批次校正,以数据集来源作为批次变量,并将组织起源和肿瘤状态(肿瘤/正常)作为协变量包含在内。外部验证使用数据集 GEO: GSE26712 进行。该数据集包含 185 个卵巢癌样本和 10 个健康卵巢样本。卵巢癌队列包括代表高级别浆液性卵巢癌所有四种分子亚型的样本。为了提高 RNA-seq 和微阵列数据之间基因表达测量的可比性,8,678 个共享基因表达值在批次校正前使用 z-score 归一化进行了标准化。

癌症细胞系 (CL) 注释和亚型选择
TCGA 转录组亚型和匹配的 GTEx 组织经过整理,以支持 CL 中肿瘤亚型的生物学建模。从 TCGAbiolinks 包含的亚型中进行选择,受临床相关性和稳健性、用于可靠模型训练的足够样本量以及肿瘤内在转录程序与 CL 中保留的程序之间的兼容性指导。选定的亚型捕捉了肿瘤生物学的主要轴线,包括免疫浸润、染色体不稳定性、表观遗传改变(例如,G-CIMP)和分化状态,并涵盖了既定的分类框架,如 BRCA PAM50、卵巢 HGSC 亚型和 LUAD/LUSC 表达程序(表 S1)。目标是选择常用、具有生物学相关性且可通过 mRNA 检测的亚型标签方案。

CL 通过逐步过滤过程映射到患者队列。首先,CL 被限制在其 OncoTree 谱系与相应的 TCGA 和 GTEx 组织匹配的范围内;OncoTree 提供跨肿瘤类型的标准化癌症谱系和疾病注释。其次,CL 按原发疾病过滤,仅保留与 TCGA 癌症类型相对应的 CL。第三,排除未在 TCGA 分类方案中定义亚型的 CL。最后,移除缺乏足够元数据用于谱系或疾病分配的 CL。

批次校正性能评估
CL 与患者肿瘤之间的对齐使用组织匹配比例进行量化,基于每个 CL 在 PCA 空间中的十个最近邻患者样本。在整合的基因表达矩阵上进行 PCA,并保留前 20 个成分。组织匹配比例定义为共享 CL 组织谱系的最近邻比例。使用 Cohen's d 测量标准化的基因表达差异。对于每个基因,Cohen's d 计算为 CL 与患者样本之间的平均表达差异除以混合标准差。计算批次校正前后的效应大小以评估特定数据集系统性差异的减少。最后,训练一个简单的逻辑回归 (LogReg) 分类器,以查看校正后是否能够分离患者和 CL 之间的样本。

为了评估批次校正和正常样本包含对预测性能的影响,进行了一项消融研究。模型在多种条件下使用所有层次中表现最佳的内部分类器(LogReg L2)进行训练和评估:有和没有 ComBat 批次校正,有和没有协变量调整,以及包含或不包含正常样本。此外,调查了一种基于线性回归的替代批次校正策略。类似于 limma 中的批次校正,这种方法校正批次效应,同时保留与 OncoTree 谱系和肿瘤/正常状态相关的生物变异。

基于层次分类 (HC) 的癌症 CL 与肿瘤亚型匹配策略
分类使用 HC 框架进行,该框架从广泛的生物类别逐步细化预测到肿瘤亚型。HC 模型使用 sklearn-hierarchical-classification 包 (v1.3.2) 实现,该包被扩展以支持节点特异性特征选择和从内部分类器提取系数。设计了四种替代层次结构,以捕捉不同的生物和临床假设。层次结构 1 (H1: 器官,肿瘤/正常,亚型) 强调组织起源,通过依次分配器官谱系、肿瘤状态和亚型。层次结构 2 (H2: 器官,TCGA 癌症类型/正常,亚型) 引入 TCGA 类型作为肿瘤样本的中间分辨率。层次结构 3 (H3: 肿瘤/正常,TCGA 癌症类型,亚型) 优先考虑在癌症类型和亚型分配之前早期分离肿瘤和正常样本。层次结构 4 (H4: 器官,亚型) 提供了简化的两级结构,能够评估在没有中间决策节点情况下的性能。所有层次结构的可视化表示见图 S1。

层次结构中的每个父节点都与一个多类分类器相关联,负责将样本分配到其子节点,遵循“每个父节点对应一个分类器”的策略,相对于其他层次结构公式,这在准确性和计算效率之间提供了有利的平衡。评估了多种分类算法,包括线性和 RBF 支持向量机 (SVMs)、具有 L1、L2 或无正则化的 LogReg,以及 Elastic Net。所有模型还在平坦(非层次结构)设置中额外训练以进行基线比较,并将 XGBoost 作为额外的平坦基准。

使用带有嵌套五折 CV 的网格搜索优化超参数,其中内层折 exclusively 从外层循环的训练分割中抽取以防止数据泄露。测试了惩罚模型的正则化强度 (C = 0.01, 0.1, 1, 10, 100),并评估了 Elastic Net 混合参数 (l1_ratio = 0.25, 0.5, 0.75)。使用平衡准确率(平均类召回率)作为主要的调整和评估指标,以考虑类不平衡,并使用 F1 分数总结特定类的性能。

特征选择和 CV 框架
特征选择整合到 HC 管道中以提高泛化能力和可解释性。首先,通过 TCGA 和 GTEx 数据集中基因表达与亚型之间的互信息 (MI) 分数移除底端 80% 的特征——这是一个确定在减少成本的同时最小化性能损失的阈值。随后,在每个层次结构内应用最大相关性最小冗余 (MRMR) 框架,使用 F 统计量作为相关性,使用 Pearson 相关作为冗余。通过嵌套 5 折 CV 确定最佳特征数量,在此期间联合优化特征选择和超参数调整。候选特征集大小包括 10, 20, 40, 80, 160, 320, 640 和 1000,平衡模型粒度与复杂度。

TCGA 和 GTEx 的原发组织样本被划分为五个分层折,同时保留亚型分布。对于每个折,进行 MI 过滤、HC 模型训练和评估。内部分类器经过嵌套 CV 以确定最佳超参数和特征子集,之后使用选定的配置在完整数据集上训练最终模型。

特征选择事后分析
对患者肿瘤样本和相应的 CL 进行了对数 2 倍数变化 (log2FC) 分析。对于每种 TCGA 癌症类型,基因集源自表现最佳的预测模型的特征选择阶段。表达数据根据患者样本的 TCGA 亚型注释和 CL 的预测亚型进行分组。对于每种癌症类型和亚型,通过比较亚型样本的平均表达与同一癌症类型内所有其他亚型的平均表达来计算 log2FC 值。在 CL 数据集中,排除由少于两个样本代表的亚型和少于两个亚型的癌症类型。

通过按癌症类型和亚型对样本进行平均,并分别对患者和 CL 数据集计算基因级别的 z-score(使用 CL 的预测亚型),进一步评估跨类的基因表达特异性。使用斯托弗法组合跨组的 z-score,并使用组合分数之间的 Pearson 相关评估基因标记的跨域一致性。

为了评估基因对亚型鉴别的贡献,从最佳层次分类模型中提取每个决策节点的系数。对于每个类,识别出绝对系数最大的三个基因,这些基因的并集用于构建显示亚型特异性共享贡献的系数矩阵。在二值节点中,对立类的系数由负值表示。

通路富集分析和肿瘤相关生物学通路识别
功能富集分析用于表征与肿瘤特异性基因集相关的生物学过程。对于每种 TCGA 肿瘤类型,使用 g:Profiler (Homo sapiens) 针对基因本体生物学过程 (GO:BP)、Reactome 和京都基因与基因组百科全书 (KEGG) 数据库分析前 100 个基因。进行过度代表分析,并认为 p < 0.05 的通路显著。对于每种肿瘤类型,保留 30 个最显著的通路,并提取对每个富集有贡献的基因。

使用基于规则的关键词映射将富集通路分组为更广泛的生物学主题。主题包括蛋白质合成和翻译;细胞周期和有丝分裂;细胞外基质组织和基质重塑;免疫和炎症信号;发育和分化;DNA 复制和修复;代谢重编程;以及神经信号和分化。对于每种肿瘤类型,主导生物学主题定义为包含具有最低富集 p 值和支持基因重叠最高的通路 的主题。该主题内最显著的通路被报告为代表通路,并聚合跨相关通路对富集有贡献的基因。

关键富集基因定义为支持主导主题的基因的并集。潜在生物标志物基因通过根据基因在主导主题内富集通路中的重现性进行排序来进一步识别,最常出现的基因代表肿瘤相关转录程序的核心组件。

预测置信度指标
预测置信度源于每个训练模型产生的类概率分布,使用层次分类器最终预测级别的概率。由于 SVM 不原生输出概率,使用 scikit-learn 中实现的内在校准程序获得校准的概率估计。

使用三个互补指标量化预测置信度。首先,使用 scipy.stats.entropy 计算预测概率分布的熵,值越低表示置信度越高。其次,类分离测量为两个最高类概率之间的差异,其中差异越大表示预测确定性越大。第三,使用 applicability_domain Python 库中修改的 ApplicabilityDomainDetector (k = 5, α = 0.95) 估计 AD 距离。这种方法使用 Pearson 相关评估每个样本与训练数据的相似性,其中较大的 AD 距离表示样本位于可靠预测区域之外。使用互信息过滤后保留的特征(前 20%)在全球所有样本上计算 AD 距离比率。对于每个不确定性指标,标记底端 10% 的样本为不确定或域外。然后根据标记的总数确定置信度:0 个标记 = 高置信度,1 个标记 = 中置信度,2–3 个标记 = 低置信度。

定量和统计分析
使用五折 CV 评估分类性能。使用平衡准确率作为主要的优化和评估指标,以考虑类不平衡,同时使用 F1 分数评估特定类的性能。报告的性能值为 CV 折的均值。误差线代表标准误差、标准差或 95% 置信区间,如相应图注中指定。患者样本和 CL 之间的组织对齐使用 PCA 空间中十个最近患者样本的组织匹配比例进行量化。患者和 CL 基因表达谱之间的差异使用 Cohen's d 效应大小总结。使用跨 CV 折的雅卡尔指数量化特征选择的稳健性。基因表达特异性分析使用对数 2 倍数变化和 Pearson 相关系数。通路富集分析使用 g:Profiler 进行。p 值 < 0.05 被认为显著。使用熵、前两个概率差和 AD 距离评估预测不确定性。

补充信息 (2)
下载全部 PDF (3.29 MB)
文档 S1. 图 S1–S10 和表 S1 和 S2
电子表格 (192.91 KB)
数据 S1. 补充数据 1
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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