子宫内膜样癌分子全景：多组学整合与深度学习驱动的个性化生存预测新范式

本研究针对子宫内膜样癌(EEA)预后评估的临床局限性，创新性地开发了融合转录组、甲基化和蛋白质组的多组学深度学习分析流程。团队设计新型自编码器(autoencoder)及专属损失函数，从TCGA-UCEC数据中挖掘出346个生存相关特征，首次揭示维生素D受体与甘丙肽受体通路在EEA生存中的关键作用，为精准医疗提供新型生物标志物。该研究突破传统Cox模型的线性限制，通过预训练策略解决高维数据过拟合问题，显著提升对删失数据的生存信息提取能力。

　　

子宫内膜癌作为女性第六大高发癌症，其子宫内膜样亚型(EEA)占病例总数的80%，但临床上面临着严峻的预后评估困境。传统基于临床分期和病理特征的预测方法存在明显局限性，而既往研究多局限于单一组学数据或线性分析模型，难以捕捉疾病进展的复杂生物学机制。更棘手的是，现有方法对临床常见的删失数据(censored data)信息利用率不足，且高维组学数据与生存结局间的非线性关联长期未被充分挖掘。

为解决这些关键问题，来自中国的研究团队在《Computers in Biology and Medicine》发表创新性研究，通过整合TCGA数据库中EEA患者的转录组、甲基化和蛋白质组数据，开发了新型深度学习生存分析框架。研究核心是设计具有特殊损失函数的自编码器，该模型先在泛癌种数据上预训练后微调，有效克服了特征维度远超样本量的技术挑战。通过SHAP值排序和通路富集分析，最终锁定346个生存相关特征，其中维生素D-VDR(维生素D受体)信号与甘丙肽受体(Galanin receptor)通路的关联性发现尤为瞩目。

关键技术包括：1) 构建融合Cox风险损失的新型自编码器架构；2) 采用TCGA全癌种数据预训练防止过拟合；3) 应用SHAP算法量化特征重要性；4) 基于KEGG和GO数据库进行通路富集分析。研究队列来自TCGA-UCEC项目中EEA患者的multiomics数据。

【Materials and methods】
研究团队建立深度学习框架处理多组学数据，自编码器瓶颈层专门设计用于捕捉生存相关非线性特征。创新性损失函数整合传统重构误差与生存信息提取目标，通过预训练-微调两阶段策略优化模型。

【Results】
自编码器成功将高维数据压缩至30维潜在空间，SHAP分析筛选出346个关键特征。聚类显示嵌入空间能有效区分不同生存风险群体。通路分析揭示VDR信号通路与细胞周期调控、Galanin受体与神经内分泌调节的显著关联，其中m7G甲基化修饰相关基因呈现特殊表达模式。

【Discussion】
相比传统Cox回归，该框架突破性地实现了：1) 多组学数据的非线性关系建模；2) 删失数据信息的高效利用；3) 跨癌种知识迁移的预训练策略。发现的VDR通路与既往报道的子宫内膜癌激素调控机制相印证，而Galanin受体的新关联为肿瘤微环境研究提供新方向。

【Conclusion】
该研究创立了首个整合深度学习的EEA多组学生存分析框架，其创新性体现在：1) 专为生存分析设计的自编码器架构；2) 兼顾数据重构与生存预测的复合损失函数；3) 跨癌种迁移学习策略。不仅提供可推广至其他癌种的分析范式，更发现VDR-RXR异源二聚体可能作为EEA预后评估的新靶点。研究由Behnaz Haji Molla Hoseyni等学者完成，所有数据均来自公开TCGA数据库。