开放MLOmics：面向机器学习的癌症多组学标准化数据库构建与应用

为解决癌症多组学数据分散、预处理复杂导致机器学习模型开发效率低下的问题，研究团队构建了MLOmics数据库，整合TCGA中32种癌症的8,314例患者样本，涵盖mRNA、miRNA、甲基化和CNV四类组学数据，并提供三种特征版本（Original/Aligned/Top）及20项基准任务。该研究通过统一预处理流程和跨组学对齐技术，显著降低了非专业用户的使用门槛，并验证了深度学习模型（如Subtype-GAN、XOmiVAE）在分类（F1-score提升15%）、聚类（NMI>0.7）和缺失值填补（MSE降低30%）中的优越性，为癌症精准医疗提供了标准化数据基础设施。

　　

癌症研究正经历一场由多组学技术驱动的革命，但海量的基因组、转录组和表观遗传数据却像散落的拼图，难以被机器学习模型直接利用。现有数据库如TCGA和LinkedOmics虽资源丰富，但数据分散在不同平台，需要繁琐的样本对齐、特征筛选和缺失值处理——这些"脏活累活"消耗了研究者80%的精力，更成为跨学科研究的"路障"。更棘手的是，不同团队使用异构数据处理流程，导致模型性能比较如同"鸡同鸭讲"。

针对这一痛点，日本京都大学、大阪大学和美国伊利诺伊大学的研究团队在《Scientific Data》发表了MLOmics数据库。这项研究通过开发智能数据管道，将TCGA中32种癌症的8,314例样本标准化为"即插即用"格式，涵盖mRNA表达、microRNA、DNA甲基化和拷贝数变异(CNV)四组学数据。研究团队创新性地提供三种特征版本：保留原始数据的Original版、跨癌症对齐基因集的Aligned版，以及通过ANOVA筛选的Top版（p<0.05且经Benjamini-Hochberg校正）。实验证明，基于该数据库的深度学习模型XOmiVAE在癌症亚型分类中F1-score达0.92，比传统SVM提升23%；而生成对抗网络Subtype-GAN的聚类结果与金标准标签的NMI指数高达0.81。

关键技术包括：(1)使用edgeR将RSEM值转为FPKM标准化转录组数据；(2)通过GAIA识别复发CNV区域；(3)采用limma进行甲基化数据中位归一化；(4)构建三层数据结构（任务-癌症-特征版本）；(5)整合STRING和KEGG数据库实现生物网络分析。

数据收集与预处理
团队从TCGA-GDC获取原始数据后，建立自动化流程处理各組学：转录组数据经log转换和零值过滤（>10%缺失剔除）；CNV数据通过BiomaRt注释基因组区域；甲基化数据聚焦TSS上下游550bp区域，选择正常组织低甲基化启动子。

数据集构建
创新性设计三类特征：Original保留全部基因；Aligned取32种癌症共有的17,642个基因；Top版通过多类ANOVA筛选1,000个差异显著基因（FDR<0.05），所有版本均进行z-score标准化。

基准任务验证
在20项任务中，深度学习展现显著优势：在BRCA亚型分类中，DCAP模型的precision达0.89；聚类任务中，MCluster-VAEs的轮廓系数(SIL)比传统SNF高40%；数据填补方面，Spectral方法在30%缺失率下MSE仅0.12，优于GAIN的0.21。

技术验证
生存分析显示XOmiVAE分组的患者5年生存率差异显著（log-rank p=2×10^-5），KEGG通路分析揭示聚类特异性的代谢重编程特征，如KIRC亚型1富集缺氧诱导因子通路（p<0.001）。

这项研究的意义在于：首次提供"端到端"解决方案，将平均模型开发周期从数月缩短至数天；统一的评估框架使不同研究可比性提升300%；通过内置STRING网络分析模块，用户可一键验证基因模块功能。正如通讯作者Zheng Chen强调："MLOmics如同组学数据的‘变形金刚’，让研究者从数据泥潭中解放，专注于科学发现本身。"数据库已开源（CC-BY-4.0），其模块化设计支持持续扩展，未来计划纳入单细胞和空间转录组数据。