《Head & Neck》:Predicting Oral Cancer From Precursor Lesions: The Case for a Standardized Framework of Analysis to Improve Prediction Modeling
编辑推荐:
口腔癌(Oral Cancer)通常源于癌前病变的转化,这为早期检测提供了机会。目前评估癌前病变进展为口腔癌风险的方法无法完全预测风险。需要一种利用机器学习(Machine Learning, ML)的多模态框架来改进预测。在本文中,研究人员提议在不同机构间开
口腔癌(Oral Cancer)通常源于癌前病变的转化,这为早期检测提供了机会。目前评估癌前病变进展为口腔癌风险的方法无法完全预测风险。需要一种利用机器学习(Machine Learning, ML)的多模态框架来改进预测。在本文中,研究人员提议在不同机构间开展更标准化的口腔潜在恶性疾患(Oral Potentially Malignant Disorders, OPMD)研究,并提出一个符合美国国家癌症研究所(National Cancer Institute, NCI)人类肿瘤图谱网络(Human Tumor Atlas Network, HTAN)原则的框架。研究人员探索了用于基因组风险的全外显子组测序(Whole Exome Sequencing, WES)、用于环境遗传调控的甲基化芯片(Methylation Array)、用于转录水平细胞程序调控的RNA测序(RNA Sequencing),以及用于满足HTAN空间需求的空间转录组学(Spatial Transcriptomics)。此外,研究人员提出一种机器学习分析,通过整合H&E组织学(H&E Histology)与测序结果,创建学习到的图像-分子关联(Image-Molecular Association)。一旦这些关联被学习,即可创建“教师-学生”(Teacher-Student)模型,其中学生模型可仅根据H&E和患者协变量推断“分子关联”。这样一个整合跨多种生物学过程和时间点的多组学数据的框架,有助于更好地理解甚至潜在地预测口腔癌起始所依据的生物学事件。
**1 Background: The Clinical Problem**
口腔癌(Oral Cancer)常由癌前病变(即口腔潜在恶性疾患,OPMD)转化而来,这为早期发现提供了重要窗口。然而,目前评估OPMD恶性转化风险的方法(如组织学分级)仍不完善,导致治疗决策存在争议——过度治疗可带来不必要的功能损害,而观察随访则可能延误诊断。口腔鳞状细胞癌(OSCC)的5年死亡率约为60%-70%,且治疗严重影响语言、吞咽和外观。恶性转化率在增生异常病变中约为15%,但缺乏生物标志物预测个体结局。美国国家癌症研究所(NCI)的人类肿瘤图谱网络(HTAN)强调,要理解肿瘤发生,必须系统追踪从正常组织到癌前病变再到浸润性癌的演化过程,并整合分子、细胞、形态和空间数据。本文即在此原则下,提出一个标准化、多组学的框架,结合机器学习,以改善OPMD进展风险的预测。
**1.1 Study Design Considerations for Multiomic OPMD Characterization**
多组学OPMD表征的研究设计需从多个层面进行规划。首先是纵向采样:需要纳入沿正常→不典型增生→癌轨迹的系列活检,并尽量匹配同一患者的不同时间点样本。配对正常组织(例如外周血来源的种系DNA和形态学正常的邻近上皮)是准确识别体细胞突变的关键。结局标注必须前瞻性定义,包括进展为恶性肿瘤的时间、消退时间或由高度不典型增生触发的干预时间。足够的随访期(至少2-3年,理想为4-5年)才能捕获足够的转化事件,供统计建模使用。标本处理需标准化,新鲜的冷冻或RNAlater保存组织可支持高质量的核酸提取和空间/单细胞分析,而石蜡包埋(FFPE)组织因核酸降解,仅适用于部分平台。数据层需遵循HTAN四级标准:原始数据(如FASTQ、TIFF)、比对/预处理数据、衍生分子特征(如表达矩阵、变异调用)和整合输出(如细胞注释、降维表示)。此外,系统记录临床协变量(吸烟、饮酒、槟榔暴露、病变大小、组织学分级等)和技术元数据(缺血时间、批次、测序深度等)对于后续建模和批次校正至关重要。
**1.2 Genomic Profiling: Whole Exome Sequencing**
全外显子组测序(WES)可覆盖约2万个基因的编码区,用于检测驱动突变、拷贝数改变和杂合性缺失(LOH)。遗传改变(如p53突变)可通过“功能获得”(GOF)或免疫抑制效应影响微环境。WES分析需要匹配正常对照以排除种系变异。在OPMD研究中,WES可提供定量特征,如突变负荷、克隆架构复杂性、特定染色体区域(如9p)的改变,这些特征已与较差的治疗反应和更高的进展风险相关联。然而,WES可能意外发现与疾病无关的胚系易感性变异,需提前告知患者并提供遗传咨询。WES作为框架中最上游的分子层,为风险分层提供了机制性锚点。
**1.3 Epigenomic Profiling: DNA Methylation**
在OPMD中,DNA甲基化改变被认为是炎症、氧化应激和慢性环境暴露(如烟草、槟榔)累积的结果。如启动子高甲基化可沉默抑癌基因(如CDKN2A),从而抑制免疫监视。DNA甲基化芯片(如Infinium MethylationEPIC v2.0)可在单次实验中检测约93万个CpG位点,覆盖功能性注释区域。甲基化特征既包括位点特异性的差异