BreastSubtypeR：集成多算法自动选择模型提升乳腺癌分子分型可重复性的R/Bioconductor工具

本研究针对乳腺癌分子分型研究中因算法选择不当导致的重复性差、结果不一致等问题，开发了BreastSubtypeR这一集成10种主流分型算法的R/Bioconductor包。其创新性AUTO模式能根据队列生物标志物分布自动激活适配算法，在SCAN-B等队列验证中较传统方法提升准确率最高达31.6个百分点，Cohen's kappa提高0.44。该工具提供标准化预处理流程与可视化界面，为乳腺癌分子分型研究提供可靠的计算基础。

　　

乳腺癌作为高度异质性疾病，其治疗策略和预后评估高度依赖精准的分子分型。目前临床实践和研究中主要采用基于基因表达谱的内在分子亚型（Intrinsic Subtypes, IS）分类系统，包括Luminal A、Luminal B、HER2富集型、基底样型和正常样型五大类别。尽管PAM50等标准方法已在临床检测中广泛应用（如Prosigna^? assay），研究领域却面临严峻的挑战：不同实验室采用的算法流程存在显著差异，包括预处理方法、基因映射策略和分类器选择等，导致研究结果难以重复和比较。更关键的是，现有分类方法对队列组成特征敏感——当队列存在亚型分布偏斜（如ER阳性样本占比过高或过低）时，基于最近质心（Nearest Centroid, NC）的传统方法会产生系统性偏差。这种"算法选择与队列假设不匹配"的问题严重阻碍了乳腺癌研究的可靠性和临床转化价值。

为解决这一难题，Karolinska Institutet的Qiao Yang、Johan Hartman和Emmanouil G. Sifakis团队开发了BreastSubtypeR——一个整合10种主流分型算法的统一R/Bioconductor包。该工具的核心创新在于引入智能AUTO模式，能够自动评估队列的ER/HER2状态分布、亚型纯度和亚组规模等特征，动态选择适合当前队列数据的分类方法，而禁用那些假设条件不满足的算法。例如当检测到ER+样本比例显著偏离PAM50训练队列的45.8%基准时（阈值设定为≤39%或≥69%），系统会自动选择对分布偏斜不敏感的单样本预测器（Single-Sample Predictor, SSP）类方法。这种设计首次实现了"假设感知"的分子分型策略，从方法论层面提升了结果的可靠性。

研究团队采用多队列验证策略评估工具性能。在SCAN-B队列（N=4606）的模拟测试中，针对ER+极端偏斜队列（10%和90%占比），AUTO模式较传统方法显示出显著优势：在低ER+队列中准确率提升19.02个百分点（89.90% vs 70.91%），Cohen's kappa提高0.26（0.84 vs 0.59）；在高ER+队列中准确率提升17.79个百分点（84.15% vs 66.36%），kappa值提高0.20（0.76 vs 0.56）。在纯ER+、ER-和三阴性等特定亚型队列中，AUTO模式同样展现出更优的准确性和一致性。这些结果证实了动态算法选择策略的必要性和有效性。

技术上，该工具支持多种数据输入格式（原始RNA-seq计数、log₂FPKM、微阵列数据），并为不同算法提供定制化预处理流程：NC类方法采用log₂上四分位数CPM标准化，SSP类方法使用线性FPKM标准化。工具还集成基于Entrez ID的优化基因映射策略，减少跨平台分析中的基因缺失问题。为提升可用性，配套开发了本地Shiny应用程序iBreastSubtypeR，使不擅长编程的研究人员也能进行专业分析。

研究方法主要基于三大技术支柱：首先通过封装10种已发表算法（包括PAM50、AIMS、ssBC等）建立统一分析框架；其次利用SCAN-B、ABiM100和OSLO2-EMIT0等多队列数据进行算法保真度验证；最后采用重采样策略生成不同组成的亚队列，系统评估AUTO模式在各类真实场景下的性能表现。所有比较均以NCN-PAM50分型和IHC病理分型作为金标准。

多方法分型与一站式分析

BreastSubtypeR整合了十种已发表的分子分型方法，包括基于最近质心（NC）的PAM50、ssBC等方法，以及基于单样本预测（SSP）的AIMS、sspbc等模型。通过BS_Multi函数可实现多方法同步分类，并计算香农熵评估方法间一致性，低熵值表明更高的一致性。

AUTO模式的工作机制

AUTO模式通过量化评估队列特征（ER/HER2 prevalence, subtype purity, subgroup size）实现智能方法选择。其运行逻辑包含三个层次：在全亚型队列中检测ER+比例是否偏离PAM50训练队列标准（45.8%），当超出39-69%范围时禁用部分NC方法；在特定亚型队列（如纯ER+、ER-、TN等）中排除假设不匹配的方法；SSP类方法因不依赖队列分布特征而被始终启用。该方法还设置样本量阈值（如NC方法要求ER+或ER-样本数≥15），确保统计可靠性。

数据输入与标准化流程

工具支持RNA-seq和微阵列/nCounter数据，针对不同输入类型和算法需求自动适配标准化方案：原始RNA-seq计数数据对NC方法采用log₂CPM（上四分位数法）标准化，对SSP方法采用线性FPKM标准化；预计算的log₂FPKM数据在用于SSP分析前需反变换为线性尺度；微阵列数据直接使用log₂标准化结果。

算法封装保真度验证

通过SCAN-B队列对比验证显示，所有封装算法与原始方法的输出一致性Cohen's kappa均达1.00，证实了封装实现的准确性。

该研究的结论部分强调，BreastSubtypeR通过整合多算法框架、创新AUTO选择模式、标准化预处理流程和优化基因映射，首次系统解决了乳腺癌分子分型中的算法选择与队列假设匹配问题。其显著提升了偏斜队列中的分型准确性（最高提升31.6个百分点）和跨方法一致性（熵值降低），为乳腺癌研究提供了可重复的计算分析基础。尽管工具尚未与临床金标准Prosigna^?进行直接验证，且存在平台特异性性能差异等局限，但其开源特性（GPL-3许可）和Bioconductor分发模式将促进广泛采用。未来计划扩展至单细胞转录组（如SCSubtype方法）和特定临床亚型（三阴性、HER2阳性乳腺癌）分析场景，持续推动乳腺癌分子分型方法学的发展。