Reli-miR：面向mRNA表达虚拟miRNA重建的可靠性感知框架与下游保留性评估

《Genes》：Reli-miR: A Reliability-Aware Framework for Virtual miRNA Reconstruction from mRNA Expression with Downstream Preservation Assessment

　　

背景。微小RNA（miRNAs）是癌症研究中核心的转录后调控因子。许多队列提供mRNA谱而无匹配的miRNA测量，且并非所有miRNA均可同等地从mRNA重建。不加区分地使用全部输出会损害下游分析。方法。Reli-miR是一个从mRNA虚拟重建miRNA的可靠性感知框架。其采用严格的训练/验证/测试划分，在预设验证规则下比较六种模型和两种基线，评估20次重采样患者划分中的稳定性，估计miRNA水平和样本水平可靠性，并在八个队列中针对等大小随机子集评估六个下游维度。结果。在366对配对样本（3000个mRNA，846个miRNA）中，PCA_ElasticNet（主成分分析结合弹性网络）为正式最佳模型（验证r = 0.4705）；ElasticNet（弹性网络）在测试集上领先（r = 0.4498），且领先模型相互重叠。miRNA水平可靠性强烈校准独立测试误差（Spearman = ?0.5978），该关联在全部20次重采样划分中均为负（中位数?0.56至?0.57）。在阈值0.7时，保留的33个miRNA达到样本相关性0.8442和Cox（Cox比例风险模型）logHR（对数风险比）保留性0.8953，在每次划分中均优于等大小随机子集。跨八个队列，可靠性保持其排序作用，且高可靠性子集优于每个队列整体，尽管八个队列的平均R²均为负。结论：可靠性感知过滤可识别可信赖的miRNA子集，领先的线性模型表现相当。

研究人员将虚拟miRNA重建从单纯预测问题重新界定为可靠性感知问题。微小RNA（miRNA）是约22个核苷酸的小非编码RNA，通过结合靶mRNA的3′非翻译区介导转录后基因沉默，参与增殖、分化、凋亡及肿瘤发生、耐药和预后。实践中miRNA测量远少于mRNA测量，许多大型转录组队列仅有mRNA谱，限制了现有mRNA资源用于miRNA相关分析。已有研究如B?ge等、Cihan等、Zamani等和Pradhan等将mRNA至miRNA推断作为标准预测问题并优化全局精度。研究人员认为该框架不完整：单个miRNA的可重建性受多层调控影响而系统不同，返回全部miRNA而不指示可信度会使下游分析继承最不可预测miRNA的误差。为此提出Reli-miR，输出miRNA水平可靠性评分，建立严格透明的模型比较与选择流程，系统量化可靠性过滤对六个下游维度保真度的影响，并在八个同流程队列中评估可靠性评分的排序作用。

关键技术方法（≤250字）：研究采用TCGA-LIHC（癌症基因组图谱肝细胞癌）366例原发肿瘤配对mRNA–miRNA及临床数据，按患者分层分为训练222例、验证72例、测试72例；mRNA为log₂(RSEM normalized count + 1)，miRNA为log₂(RPM + 1)，总生存时间取GDC天数。预处理仅在训练集完成缺失过滤、中位数填补、近零方差过滤和z-score标准化，保留3000个mRNA与846个miRNA。固定划分按预设验证规则比较六种模型及两种基线；20次重采样划分以训练集内五折交叉验证选择模型与超参数。可靠性在验证集按miRNA和样本水平估计；下游保留性覆盖PCA（主成分分析）几何、样本一致性、相关结构、差异表达、Cox（Cox比例风险模型）趋势和分子亚型，并用等大小随机子集及简单评分规则对照。外部验证纳入初始35例胆道癌队列及TCGA-KIRC、LUAD、COAD、STAD、PRAD、THCA、HNSC等七个同流程队列，共八个队列3269例配对患者，模型冻结不重训。

3.1 数据概览（Data Overview）：最终配对数据含366例样本，分为222例训练、72例验证和72例测试；过滤与填补后保留18,204个mRNA特征，选择变异最大的3000个，并保留846个miRNA。数据来源、平台和表达单位经逐格核验，mRNA为log₂(RSEM normalized count + 1)，miRNA为log₂(RPM + 1)，总生存时间以天计。

3.2 模型比较与选择（Model Comparison and Selection）：固定划分下按预设验证规则，PCA_ElasticNet取得最高中位Pearson相关0.4705并成为正式最佳模型；独立测试集上ElasticNet表现最强（平均R² = 0.2014，中位Pearson r = 0.4498），PCA_ElasticNet（0.1956，0.4442）和PCA_Ridge（0.1939，0.4410）紧随，PLS与Ridge次之，R语言MLP明显过拟合。20次重采样划分中三个正则化线性模型分布广泛重叠，平均配对差异不超过0.0068，训练集内选择在14/20次选ElasticNet、6/20次选PCA_ElasticNet；三模型中位测试Pearson r分别约为0.4744、0.4715和0.4700。结论是正则化线性模型定义实际性能上限，三者在当前数据条件下表现相当，PCA_ElasticNet作为主要模型基于固定划分预设规则而非证明的优越性。

3.3 miRNA水平可靠性校准预测误差（miRNA-Level Reliability Calibrates Prediction Error）：验证集估计的miRNA水平可靠性与独立测试误差强负相关（Spearman = ?0.5978），样本水平可靠性关联较弱（Spearman = ?0.1193）。20次重采样划分中该关联均为负，中位?0.570，范围?0.685至?0.435；等权组合与Pearson、截断R²、替代权重、表达均值方差和交叉验证误差排序等简单评分校准相当。可靠性在不同miRNA间明显异质，表明重建不确定性主要位于miRNA水平，下游质控应主要依赖miRNA水平过滤，样本水平可靠性作为次要参考。

3.4 可靠性过滤改善下游保留性（Reliability Filtering Improves Downstream Preservation）：全846个miRNA时，中位样本相关性0.4250、相关矩阵保留性0.5284、差异效应保留性0.5117、Cox logHR保留性0.3802；阈值0.7保留33个miRNA时分别升至0.8442、0.9521、0.8512和0.8953。按表达方差或均值排序也有提升，但可靠性排序在Cox保留性上优势最宽；外部八队列中内部可靠性排序的前33个miRNA平均外部中位Pearson r为0.455，高于表达均值0.319和方差0.279，且可靠性排序在全部八队列更高，但三种排序与外部性能的秩相关相近，提示丰度承载较多排序信息，可靠性评分锐化列表顶部。33个miRNA子集在固定划分和20次重采样中均优于等大小随机子集，大小74和177亦如此；高可靠性子集存在幅度收缩，33个时中位方差比0.5142、效应斜率0.5800。分子亚型识别在k = 2时ARI（调整兰德指数）从0.020升至0.690，NMI（标准化互信息）从0.097升至0.588–0.612，更高k无一致排序。阈值0.7保留3.9%的miRNA；操作定义的可重建标签为R² > 0且Pearson ≥ 0.5，846个中336个满足。

3.5 补充比较器（Supplementary Comparators）：Torch_GPU_MLP较R语言MLP明显改善（测试中位Pearson r 0.3827对0.1676）但仍低于领先线性模型；两种Transformer变体表现差（0.1037和0.0983），平均R²接近零或为负。Pathway_Ridge提供通路级可解释性，权重较高的Hallmark通路包括胆固醇稳态、Wnt/beta-catenin信号和糖酵解，但总体性能低于基因水平线性模型。两种基线不优于常数预测，置换训练配对后性能回落至基线，确认预测信号来自真实mRNA–miRNA关联。

3.6 外部队列泛化（External Cohort Generalization）：35例胆道癌队列总体平均R²为负且患者自助区间排除零，中位Pearson r为0.289；内部可靠性与外部每miRNA相关的Spearman为0.366（0.224至0.381）；Rel ≥ 0.7列表中32/33个miRNA与外部共享，其中16个满足R² > 0且Pearson ≥ 0.5。扩展至八个同流程队列共3269例配对患者后，内部可靠性与外部每miRNA相关的Spearman在全部八队列为正且区间排除零；Rel ≥ 0.7子集在全部八队列优于该队列整体，阈值0.5、0.6、0.7在每个队列内逐步升高。总体平均R²在每个队列均为负（中位?2.26，范围?5.08至?0.31），故结果范围是表达排序，模型排序在八队列水平随队列变化。

3.7 高可靠性miRNA的身份与表达特征（Identity and Expression Features of Highly Reliable miRNAs）：846个输入标识中837个精确匹配UCSC hg38 wgRna位点；33个高可靠性miRNA中28个有候选宿主基因。18,204个mRNA中，433个miRNA有可测宿主并形成435个宿主对，351个通过BH校正q < 0.05的患者水平相关检验。按表达均值和自然对数方差的联合十分位分层后，分层加权平均绝对宿主相关差异为0.0271，标签置换双侧p = 0.6471。可靠性评分与输入表达均值、方差的相关分别为Spearman 0.6942和0.7617，33个高可靠性miRNA中位表达均值7.408，其余813个为0.702，可检测的共同特征是较高表达幅度和方差。肿瘤纯度方面，ESTIMATE、LUMP和CPE三种估计与样本水平重建精度均无显著关联（Spearman ?0.208、?0.047、?0.134，57例匹配测试样本中p > 0.05）；33个高可靠性miRNA与纯度的相关性略高于其余miRNA（中位绝对Spearman 0.186对0.114，Wilcoxon p = 0.006），纯度不解释可靠性排序，仅对高可靠性miRNA水平有 modest 贡献。

3.8 虚拟miRNA的实用价值（Practical Value of Virtual miRNAs）：同一固定划分和协议下，测试集Harrell一致性指数C（患者自助B = 2000；72例测试样本、25个事件）在mRNA、虚拟miRNA、二者组合和实测miRNA间相近，所有配对差异区间包含零。虚拟miRNA是mRNA输入的确定性函数，其预后任务表现与mRNA输入匹配，框架适用于将表示转换为miRNA空间并提供每miRNA质量注释。

3.9 与现有工作的尺度比较（Scale Comparison with Existing Work）：Zamani等报道的多模态深度生成模型从mRNA推断miRNA表达并报告特定miRNA的预测表达计数，其报告尺度与本研究数据尺度不相容，故比较限于方法和解释语境。代表性条目hsa-mir-466、hsa-mir-330和hsa-mir-6882因覆盖可靠性范围（0.875、0.500和0.000）而展示观察值与预测值一致性随可靠性下降而退化，坐标轴分别为输入尺度log₂(RPM + 1)和模型z-score尺度。

讨论部分总结：本研究将虚拟miRNA重建重新界定为可靠性感知问题。核心发现是mRNA对miRNA的预测信息量因miRNA而异，可由验证集先验估计并用于筛选可信子集；miRNA水平可靠性与测试误差强负相关且在20次重复划分中稳定，使方法从黑箱预测器转为可质量管理工具。下游保留性结果量化了实际收益，33个高可靠性miRNA使四项连续保真指标升至0.84–0.95，并优于等大小随机子集；但虚拟miRNA在预后比较中与mRNA输入相当而非超过。模型比较提示在222例训练样本和3000个特征下mRNA至miRNA映射是严重欠定回归，正则化线性模型通过强容量限制控制方差，复杂架构未转化为泛化增益，进展可能更依赖数据规模和生物先验。与既有跨组学方法一致，本研究确认存在有意义的预测信号，Reli-miR的贡献是显式量化每miRNA可靠性并界定适用范围，作为现有预测方法之上的质量控制层；简单评分和表达丰度校准相当，故不是新预测信号来源。跨八队列可靠性排序作用一致，高可靠性子集优于各队列整体，但作用范围是表达排序且总体平均R²均为负。生物学层面，高可靠性子集宿主共表达与匹配背景相当，靶关系未测试，可检测规律是可靠性主要随表达幅度和方差升高；肿瘤纯度不解释可靠性排序。实际应用中，虚拟miRNA是mRNA输入的确定性函数，价值在于转换为可连接现有miRNA工具和数据库的表示并提供每miRNA质量注释；适用场景为探索性分析和流程内质控，配对测量可直接验证重建误差。限制包括重复划分共享患者池、外部验证为同流程队列、跨平台和大样本行为待验证、生存比较仅25个测试事件致区间较宽、框架关注统计重建和下游保真而非因果解释、样本水平可靠性校准较弱、补充神经比较器在大样本下的行为未知。

研究结论部分翻译：Reli-miR提供了一个从mRNA表达进行虚拟miRNA重建并带有显式质量评估的实用框架，已在同一队列的留出划分和八个同流程队列中得到验证。该框架识别出足够可信、可用于下游分析的重建miRNA子集，其可靠性评分可校准独立测试误差，并在20次患者水平重复划分和八个同流程队列中保持一致的排序作用。对于仅有mRNA数据的队列，Reli-miR提供了一条获得带质量注释的虚拟miRNA谱的操作路径，适用于按可信度过滤重建结果。未来工作将聚焦于可靠性评分的多队列验证，包括跨平台数据；整合额外组学模态（如DNA甲基化、染色质可及性）以改善低可靠性miRNA的重建；评估样本量间的稳定性；以及建立将可靠性估计与下游统计检验中错误发现控制相联系的理论框架。