《Bioengineering》：Nested Evaluation of Sparse Multi-Objective Evolutionary Gene-Panel Discovery for Diabetic Nephropathy
编辑推荐：
背景：糖尿病肾病基因面板来自小型肾脏转录组队列，其中筛选和自适应搜索会夸大性能。进化多目标搜索平衡面板大小、准确性和生物一致性，但密集初始化会减慢搜索，且其相对于排序或正则化回归的收益很少在嵌套评估下检验。方法：在GSE96804上，采用嵌套五折交叉验证的四次
背景：糖尿病肾病基因面板来自小型肾脏转录组队列，其中筛选和自适应搜索会夸大性能。进化多目标搜索平衡面板大小、准确性和生物一致性，但密集初始化会减慢搜索，且其相对于排序或正则化回归的收益很少在嵌套评估下检验。方法：在GSE96804上，采用嵌套五折交叉验证的四次重复，评估六种优化精简性、内层平衡准确率和基因本体论（Gene Ontology, GO）一致性的进化算法。将调和初始化与Bernoulli、有界均匀和SparseEA初始化器比较；GO被移除或随机化。对照为随机、排名最高的差异表达基因（top-ranked differentially expressed gene, top-DEG）、正则化、包装器面板以及置换标签零模型。面板迁移至GSE30528和GSE142025。结果：面板包含2.10–2.70个基因。调和初始化较Bernoulli提高超体积，并与现有稀疏初始化器相当。外层曲线下面积（area under the curve, AUC）为0.973–0.991，与top-DEG和正则化选择器相当；置换标签为0.510。真实GO使最大档案一致性从0.044升至0.960，GO感知规则在AUC相等时将代表性一致性从0.098升至0.620。外部AUC为0.612–0.726和0.849–0.964。结论：调和初始化在无大小上限时产生紧凑Pareto前沿，GO指导在判别力相等时提供一致性面板，正则化选择给出最具可重复性的面板。
研究背景与问题：糖尿病肾病（diabetic nephropathy, DN）是慢性肾脏病和肾衰竭的重要原因。人类肾脏转录组研究已识别炎症、补体、细胞外基质、血管、代谢和生长因子程序，但不同队列和分析流程优先的基因不同，疾病分期和组织分区进一步增加发现紧凑、可重复分子面板的难度。肾脏基因表达矩阵特征远多于样本，相关表达、平台差异和自适应评估大量候选面板会产生乐观性能估计和不稳定特征。泄漏可发生在名义验证样本信息影响差异表达筛查或后续模型选择时，因此特征筛查必须在每个留出评估的训练数据内重复；高内部适应度本身不能证明泛化。多目标进化算法（multi-objective evolutionary algorithm, MOEA）可保留判别、面板大小和生物结构间的权衡而无需单一加权分数，但标准Bernoulli初始化产生含约一半候选基因的染色体，硬性面板大小限制使搜索空间依赖外部选择，SparseEA则以评分引导初始化和稀疏算子应对。GO可作为生物搜索指导，但同一注释源驱动选择时，良好GO评分是条件于该机制的目标达成，并非独立生物确认；需要移除和结构保持随机化对照。现有缺口包括：稀疏性常与允许基数范围或持续调节子集大小的算子耦合，未隔离初始化稀疏覆盖本身；评估未嵌套完整发现过程并匹配随机和top-DEG对照；GO作为优化目标时缺少移除和随机化对照。该研究据此开展调和稀疏初始化、重复嵌套评估、六算法比较、GO消融和外部迁移分析。
关键技术方法（不超过250字）：研究人员以NCBI GEO的GSE96804为发现队列，进行4次重复分层五折外层交叉验证，共20个训练–测试拆分；每个外层训练折内行Welch t检验、Benjamini–Hochberg错误发现率（BH-FDR）和|均值log
2倍数变化|筛选，并与GSE30528基因覆盖取交集，按未校正P值上限2000，候选池1052–1352基因。六种MOEA（NSGA-II及其tie-break、SPEA2/SPEA2+、MOEA/D/MOEA/D-NRD）优化精简性、内层平衡准确率和GO生物学过程一致性，预算10,000次适应度评估；采用调和稀疏初始化，并比较IID调和、Bernoulli、密集Bernoulli、有界均匀、SparseEA初始化器及完整SparseEA；设无GO和随机GO消融；对照随机、top-DEG、LASSO、elastic-net、RFE/RFECV、稳定性选择及置换标签零模型；固定面板在GSE30528和GSE142025做队列特定重拟合和锁定迁移。
研究结果：
4.1 嵌套候选池与涌现面板大小：通过20个外层训练拆分内重建候选池和最终嵌套运行，候选池为1052–1352个基因（均值1205.8），外层测试折含12或13个样本；在无基数上限或修复算子时，代表性面板仍平均为2.10–2.70个基因，内层交叉验证平衡准确率为0.988–1.000，面板大小差异经Holm校正不显著；小面板源于内层适应度饱和后的选择压力。
4.2 内部外层折性能：通过20个匹配外层测试折，平均外层AUC为0.973–0.991、平衡准确率为0.894–0.932，15对算法比较均无显著差异；将四次重复的折外概率平均后，所有算法对41例DN样本敏感度为1.000，特异度为0.850–1.000；NSGA-II、NSGA-II tie-break、SPEA2+和MOEA/D的AUC超过同折随机面板，但无算法超过同大小top-DEG，表明进化搜索优于随机筛选池子集，但仅与简单边际DEG排序相当。
4.3 与既定特征选择方法比较：通过同一外层训练拆分和候选池比较五种方法，LASSO平均选择4.85个基因、外层AUC为1.000、平衡准确率为0.950，稳定性选择保留1.15个基因且AUC为1.000，同大小RFE的AUC为0.998，elastic-net和RFECV保留大面板并完美分类；进化面板AUC低0.008–0.027、平衡准确率低0.068–0.106，均未显著；但基线基因集更可重复（Jaccard：进化面板0.013–0.050，top-DEG为0.120，LASSO为0.329，RFE为0.367，稳定性选择为0.866；Nogueira et al.稳定性指数为0.017–0.072），嵌入和包装选择判别相当且稳定性更高。
4.4 三目标搜索前沿：通过20个外层训练拆分的联合归一化前沿描述，SPEA2+具有最大超体积（hypervolume, HV）和最小经验反向世代距离（inverted generational distance, IGD），NSGA-II tie-break接近；NSGA-II、NSGA-II tie-break、SPEA2和SPEA2+的HV大于MOEA/D-NRD，无其他显著HV或IGD差异；分解方法保留更大档案但覆盖归一化经验三目标参考前沿较少。
4.5 初始化消融结果：通过匹配NSGA-II七条件消融，分层与IID调和初始化均选择2.15个基因，HV为0.736对0.787、IGD为0.109对0.086，均不显著；期望大小匹配Bernoulli保留38.00个基因、密集Bernoulli保留360.70个基因，HV更小、IGD更大且显著；有界均匀初始化产生2.30个基因、HV为0.732，SparseEA初始化器联合NSGA-II平均4.65个基因、HV为0.548，完整SparseEA最大HV为0.821、最小IGD为0.051、面板为2.05个基因，均与分层调和初始化无显著差异；结论是调和基数律改善有限预算下对稀疏前沿的访问，与现有稀疏初始化相当，无需大小界限或评分评估，且预测判别不变。
4.6 GO目标消融结果：通过NSGA-II真实GO、无GO和随机GO三条件对照，真实GO的最大档案一致性为0.960，无GO为0.044、随机GO为0.053，差异显著；GO盲代表性面板一致性为0.098对0.009和0.020，不显著，外层AUC、平衡准确率和面板大小均无差异；GO感知容差规则将代表性一致性从0.098升至0.620（差0.522，95%CI 0.300–0.745），面板增大约2.10–2.60个基因且外层AUC无显著变化；无GO档案应用同规则仅达0.044；未用于搜索的Reactome、KEGG和MSigDB Hallmark一致性方向一致但校正后不显著；结论是真实注释引导档案至高度一致区域，精度优先规则未将增益带入单个面板，GO感知规则可在相同AUC下利用档案。
4.7 内部结果稳健性：通过每算法每拆分5次独立运行、外层重复扩至10次共50个拆分、置换标签零模型和内层筛选重复，5次运行平均外层AUC为0.983–0.988，运行间标准差0.018–0.024与拆分间0.016–0.035相当，基因Jaccard为0.010–0.122且无拆分五次相同；运行平均后六算法均超过随机但不超top-DEG；十次重复AUC为0.981–0.988，结论不变；置换标签下FDR无基因，用最小P值1206个基因搜索时内层平衡准确率为0.988，但外层AUC平均0.510（最大0.704），对真实标签为1.000，说明内层适应度几乎不含泛化信息；内层筛查重复和去除GSE30528覆盖限制未改变内部性能，后者约49.2%的面板基因未在GSE30528测量。
4.8 特征复发：通过20个外层拆分代表性面板和600次运行统计，DUSP1在SPEA2和MOEA/D-NRD中各出现6/20，NSGA-II中FOS和NFATC3各4/20，无基因频率达到0.5；600次运行最频基因为DUSP1 100次、CNBP 83次、PTOV1 75次、FOS 68次、NFATC3 52次、CHCHD2 44次；单基因复发低且依赖优化器，但121个曾出现基因对未用于搜索的资源富集：Reactome Complex I biogenesis为6/8（FDR 0.002）、KEGG oxidative phosphorylation为8/26（FDR 0.025）、KEGG diabetic cardiomyopathy为11/46（FDR 0.025）、Hallmark TNF- signaling via NF-B为12/59（FDR 0.033），氧化磷酸化信号在无GO面板中仍存在（FDR 0.045），表明通路汇聚非GO引导所致。
4.9 外部队列特定重拟合与锁定迁移：通过固定面板在GSE30528和GSE142025中行队列特定五折重拟合及锁定模型迁移，GSE30528平均AUC为0.612–0.726，仅NSGA-II较同大小随机面板有小的正差异；GSE142025平均AUC为0.849–0.964、平衡准确率为0.572–0.643，0.5阈值造成类别偏移，按训练病例比例设阈值后平衡准确率升至0.617–0.718和0.828–0.910；锁定迁移弱于重拟合，GSE30528锁定AUC为0.539–0.648、GSE142025为0.702–0.791，锁定模型多判为DN；锁定集成AUC在GSE30528为0.547–0.709（区间含0.5）、GSE142025为0.864–0.984（下限0.737–0.938）；锁定进化面板较top-DEG高0.074–0.185和0.092–0.214，但校正后不显著，LASSO、同大小RFE和稳定性选择迁移相当或更好。
讨论总结与研究结论翻译：该研究主要贡献是泄漏控制的进化基因面板发现评估框架及其揭示的搜索行为。无大小上限时出现紧凑面板；调和基数律而非分层分位数是有限预算访问稀疏前沿的机制；真实GO强烈重定向NSGA-II非支配档案，GO感知规则将代表性一致性从约0.1提至约0.6且外层AUC无显著损失；预测上六算法与top-DEG、LASSO、RFE和稳定性选择相当或略低，但进化面板稳定性较低；GO结果属目标达成而非独立生物验证；外部迁移受队列、平台、阈值和小样本限制。局限包括发现队列小、重复拆分复用61例、探索性开发、外部队列仅22和36例、GSE30528平台限制、缺乏样本级临床数据、固定逻辑回归超参数和准确性优先规则。未来需在更大且内层准确率不饱和队列检验框架、预指定决策规则、加入稳定性目标并在临床代表性队列验证锁定流程。研究结论翻译：该研究建立了针对小型转录组队列中稀疏、生物引导进化基因面板发现的可重复评估框架。其贡献是方法学的，涉及搜索行为和评估。调和稀疏初始化允许每个非空面板大小，同时避免固定基数上限。分层和IID调和变体相当，而期望大小匹配和密集Bernoulli对照在相同预算下保留更大面板和更差最终前沿。这支持调和基数律作为有限预算搜索机制；其前沿与现有稀疏初始化器相当，且无需大小界限或评分评估。跨六种算法，该框架产生高内部外层折判别和明确三目标Pareto前沿；top-DEG匹配其判别，正则化回归和稳定性选择以更可重复基因匹配判别。重复搜索运行、附加外层重复、内层折筛选和置换标签零模型确认这些结果，并表明测量泛化的是留出外层折而非自适应搜索后的内层适应度。GO消融澄清生物指导作用：真实注释较移除GO和随机化基因–注释身份强烈重定向非支配档案至高GO一致性，GO感知决策规则在相同外层AUC下将档案级效应转化为一致代表性面板。所选基因指向线粒体氧化磷酸化和即刻早期应激信号，并提供靶向验证假设。这些发现为开发预指定多目标决策规则、增加稳定性目标以及在更大临床代表性队列验证锁定面板提供明确基础。
