综述：酶的环结构工程：从结构到功能——机制、方法与设计策略

《Biotechnology Advances》：Loop engineering in enzymes from structure to function: Mechanisms, methodologies, and engineering strategies

　　

杨俊涵|沈晨|程宁涛

摘要

由于少数分子生物标志物的表征不足，体外诊断生物传感器在早期癌症检测中的应用仍然面临挑战。数字生物标志物有望实现全面的疾病表型分析，但受到临床数据匮乏以及泛化能力有限的限制。在此，我们提出了耦合可解释人工智能递归（CEAIR）学习方法，这是一种结合计算机视觉与协作博弈论的计算框架，可用于实现可解释的少样本学习，从而从高维表面增强拉曼光谱生物传感器数据中提取与疾病相关的数字生物标志物，而这些数据往往来自有限的血清样本。将该方法应用于肝细胞癌检测时，基于CEAIR算法得到的数字生物标志物的性能显著优于传统循环分子生物标志物，在多种采用经典机器学习算法构建的独立分类器中，其曲线下面积始终超过0.97，且在外部验证中展现出较强的泛化能力。我们的研究结果表明，CEAIR方法能够克服从高维、小样本生物传感器数据中生成具有临床意义的诊断知识所带来的诸多限制，有助于开发出可靠的数字生物标志物，以实现复杂疾病的精准、无创且及时的诊断。

引言

早期发现复杂疾病，尤其是癌症，能够显著改善患者的预后和生存率（Crosby等人，2022；Fitzgerald等人，2022）。然而，由于无法从生物传感数据中充分识别或“感知”不同疾病状态，及时准确的诊断往往受到阻碍。在应用诊断生物传感器时，一个主要挑战在于如何从高维组学数据中提取有意义且具有代表性的信息，而早期癌症样本的稀缺更是加剧了这一难题。虽然液体活检可通过检测循环分子生物标志物，如循环肿瘤DNA（ctDNA），来以微创方式监测疾病进展（Bratman等人，2020；Cohen等人，2023），但其诊断效果仍受限于难以识别出可靠且具有代表性的分子特征。现有方法通常优先选择通过多组学研究发现的方差较大的分子特征作为分子生物标志物（Li等人，2023；Xiao等人，2022），从而忽略了那些虽较为微妙但却具有临床意义的指标。因此，通常基于方差大小来选择的少量分子生物标志物，只能勉强反映复杂疾病多因素进展过程中的部分情况，进而限制了诊断的准确性（Smelik等人，2024）。尽管这些分子生物标志物具备较高的诊断价值，但它们的敏感性和特异性往往不足，尤其是在癌症早期阶段，因为细微的病理变化可能无法通过单一的分子信号得到准确捕捉。

数字生物标志物，也被称为数字表型，是通过计算方法得出的健康或疾病相关指标（Bent等人，2021）。与分子生物标志物不同，数字生物标志物借助计算模型，能够全面描述疾病特征，并从庞大且高维的数据集中识别出细微的生物学变化，因此在临床诊断中，尤其是早期疾病检测方面，可能具备更高的敏感性和特异性。此外，数字生物标志物还具有成本效益高、易于获取且可大规模应用等优势，使其成为精准医疗和大规模诊断应用中的有力工具（Coravos等人，2019；Weiss等人，2020）。然而，从复杂的分子谱型数据中学习有意义的数字生物标志物仍是一项方法学上的挑战。在这些情况下，数据的高维性以及样本量的有限性会增加过拟合的风险，进而影响研究结果的通用性。光谱数据中常见的特征间强相关性也会增加识别具有区分度的特征的难度，因为冗余或共线的变量可能会掩盖各个特征对疾病特定模式的真实贡献。另外，经过充分标注的临床病例的缺乏进一步加剧了这一难题，使得难以将那些细微但稳定的光谱特征与个体间的差异或噪声区分开来。因此，迫切需要开发出能够识别具有代表性且具有区分度特征的计算策略，用于发现数字生物标志物。

目前已有多种计算方法被提出，用于处理高维少样本光谱特征的学习问题。然而，降维技术大多侧重于方差较大的特征，可能会忽略那些具有临床意义的低方差特征（Berisha等人，2021）。诸如合成少数类过采样技术（Chawla等人，2002）和生成对抗网络（Goodfellow等人，2020）之类的数据增强技术，可能会扭曲具有生物学意义的光谱模式，从而降低其临床价值。自监督学习通常依赖一些辅助任务来学习数据表示，但这些方法可能无法充分捕捉到生物医学光谱中那些细微但具有临床意义的差异（Krishnan等人，2022）。对比学习则需要确定正样本和负样本对，而在光谱特征学习中，这一过程往往存在较大不确定性且容易出错（Wang等人，2022）。元学习则需要多样化的任务，而这在临床数据集中并不容易实现（Hospedales等人，2022）。尽管取得了这些进展，但从高维光谱数据中识别出可靠的数字生物标志物仍然是一项艰巨的任务。

为了解决这些复杂问题，我们提出了耦合可解释人工智能递归（CEAIR）学习方法，这是一种专为从高维、小样本的生物医学光谱数据集中识别可靠数字生物标志物而设计的可解释计算框架。CEAIR方法巧妙地整合了两种不同计算方法中的可解释性优化机制，即基于计算机视觉的注意力机制和协作博弈论，从而系统地识别出重要的光谱特征，并通过迭代去重逐步优化这些关键特征，进而提升方法的可解释性、泛化能力和稳定性。通过这种方式，CEAIR能够找到一组简洁 yet 具有高度代表性的、具有临床意义的光谱特征，也就是数字生物标志物。在通过对来自肝细胞癌相关群体的血清表面增强拉曼光谱数据进行验证后，基于CEAIR算法得到的数字生物标志物在预测性能上显著优于传统的分子生物标志物，这充分体现了该方法在推动早期癌症无创诊断发展方面的潜力。

章节节选

数据集描述

本研究准备了两个独立的光谱数据集：核心数据集用于数字生物标志物的提取和内部验证，而现代数据集则用于外部验证。核心数据集包含612份表面增强拉曼光谱数据，这些数据来自102名个体的血清样本，这些个体被均匀分为三组：34名健康对照组，34名被诊断为肝细胞癌的患者，以及34名

CEAIR架构与实现

CEAIR框架是专门为解决从复杂、小样本的生物医学光谱数据中识别数字生物标志物所面临的难题而开发的。该框架包含了三个核心学习模块：视觉注意力模块、SHapley加性解释模块以及去重模块。如图1a所示，血清样本来自三类不同的群体：正常群体、高风险群体以及肝细胞癌患者群体。

讨论

在本研究中，我们介绍了CEAIR方法，这是一种融合了计算机视觉技术与协作博弈论原理的耦合可解释人工智能框架，可用于从复杂、小样本的生物医学光谱数据集中提取可靠的数字生物标志物。CEAIR框架由视觉注意力模块、SHAP模块和去重模块组成，它们协同工作，从表面增强拉曼光谱数据中识别出极具信息量的数字生物标志物。数字

结论

总之，本研究提出了CEAIR这种耦合型可解释人工智能框架，它擅长从高维、小样本的循环SERS数据集中提取具有生物学意义且具备良好泛化能力的数字生物标志物。通过巧妙结合基于计算机视觉的注意力机制与协作博弈论（SHAP）技术，CEAIR能够持续识别出可靠且具有临床意义的数字生物标志物，其在预测性能上优于传统的循环分子生物标志物

CRediT作者贡献说明

杨俊涵：论文撰写——初稿撰写、可视化、软件使用、实验研究、正式分析。沈晨：论文撰写——初稿撰写、可视化、实验研究、正式分析、数据整理。程宁涛：论文撰写——审稿与编辑、初稿撰写、项目指导、资源协调、项目管理、方法设计、资金筹集、概念构思。

利益冲突声明

作者声明，他们不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢

本研究得到了中国国家自然科学基金的支持（编号：82202628）。