整合机器学习识别局部晚期直肠癌新辅助放化疗应答的转录组特征

《Biochemistry and Biophysics Reports》：Integrative machine learning for identifying transcriptomic signatures of neoadjuvant chemoradiotherapy response in locally advanced rectal cancer

　　

摘要专业翻译 背景： 预测局部晚期直肠癌对新辅助放化疗（nCRT）的肿瘤应答仍是一个未解决的临床问题。患者间病理应答的巨大异质性意味着能够实现前瞻性患者分层（patient stratification）的分子生物标志物亟需被发现。然而，该领域中的转录组生物标志物研究易受方法学局限——尤其是数据泄漏（data leakage）——的影响，从而产生不可重复的性能估计并阻碍临床转化。 目的： 本研究旨在通过一个严格关注泄漏预防和方法学透明性的整合机器学习（integrative machine learning）框架，识别具有生物学可解释性的直肠癌nCRT应答转录组特征。 方法： 研究分析了来自46例直肠癌患者（24例应答者，22例非应答者；GEO：GSE35452；22,189个基因特征）的基因表达微阵列（microarray）数据。表型依据Mandard肿瘤消退分级（tumour regression grade, TRG）定义：应答者＝TRG 1–2（完全或接近完全病理应答）；非应答者＝TRG 3–5。所有患者均接受氟尿嘧啶类同步放化疗后行手术。初步方差过滤——因方差是无类别标签操作而应用于完整数据集——保留了1000个最可变基因；500、2000和5000个基因的敏感性分析见补充注释S1。研究人员构建了一个标签泄漏受控的sklearn.pipeline.Pipeline，其中所有预处理——包括标准化和特征选择——均在每个训练折内独立执行。每个折内应用四种特征选择算法（ANOVA F统计量、互信息、L1惩罚逻辑回归和随机森林重要性），并在每次外循环迭代时构建折特异性共识基因集。研究对八种分类器进行了探索性多算法比较。 结果： 五个外折的合并折外AUC（pooled out-of-fold AUC）为0.987（高斯朴素贝叶斯；95%百分位自助法CI：0.949–1.000），平均折间AUC为0.990 ± 0.020。基于合并折外预测，特异性为87.0%，平衡准确率为91.5%。研究确定了跨折特异性特征选择分析的109基因共识候选面板。在该面板中，六个基因在应答者与非应答者之间显示出统计学显著差异表达：WBP1L、CEBPB、ATE1和BAG2在非应答者中表达较低，而BSG和ZFAND2B表达较高。以1000个方差过滤基因为背景宇宙，对109基因候选面板进行功能富集分析，识别出与DNA损伤应答、信号转导、凋亡信号传导、蛋白质调控和免疫相关过程相关的生物学过程。研究结果属探索性，需在独立队列中验证。FAM175A被特征重要性选中，但在发现队列中差异表达不显著（p＝0.393）。共识候选集的功能富集分析（clusterProfiler；Benjamini–Hochberg FDR < 0.05；背景＝1000个方差过滤基因）将DNA损伤应答、凋亡信号传导和MAPK级联识别为最富集的生物学过程。 结论： 这项发现性研究表明，一个整合的、标签泄漏受控的机器学习框架能够识别直肠癌nCRT应答预测的生物学连贯转录组候选基因。鉴于单一回顾性队列仅含46例患者且缺乏独立外部验证，所有发现均应视为假设生成性的。在得出任何临床或转化推断之前，必须在独立前瞻性队列中进行外部验证。

论文解读

一、研究背景与问题

局部晚期直肠癌（locally advanced rectal cancer, LARC）在全球直肠癌确诊中占相当比例，是胃肠道肿瘤学中最具挑战性的临床场景之一。当前标准治疗方案为新辅助同步放化疗（neoadjuvant concurrent chemoradiotherapy, nCRT），即氟尿嘧啶类化疗联合盆腔放疗，随后行全直肠系膜切除术（total mesorectal excision）。在主要试验队列中，约15%–27%的患者可实现完全病理应答（TRG 1）。实现完全或接近完全应答的患者远期预后显著更优，包括局部复发率降低和总生存期改善。然而，相当比例的患者仅出现轻微甚至无肿瘤消退，却仍承受了无效治疗带来的毒性和手术延迟。

这种临床异质性促使研究者寻找能够在治疗开始前预测nCRT应答的分子生物标志物。常规临床变量——肿瘤分期、距肛缘距离和治疗前影像学发现——无法在个体患者层面充分区分应答者与非应答者。转录组分析能够提供调控放射敏感性、化疗敏感性及其相互作用的高分辨率基因表达图谱，已在多项发现阶段研究中得到应用，但结果令人鼓舞却缺乏一致性。基于影像组学（radiomic）特征的机器学习模型也已被探索用于预测新辅助放化疗应答。

机器学习方法为从高维基因表达数据中系统性地推导预测模型提供了框架。然而，已发表研究中一个普遍存在的方法学局限是数据泄漏（data leakage）的无意引入，即测试样本信息通过未隔离的预处理进入训练流程，产生在独立数据中无法复现的乐观性能估计。该分析的先前版本恰好包含这种形式的泄漏，将表观分类准确率膨胀至接近完美的水平。本手稿构成一项纠正性再分析，旨在完全消除泄漏、提供透明可重复的方法学，并将所有发现明确界定为假设生成性的初步结果。

此外，需要明确的一个重要概念局限是：GSE35452队列患者接受的是氟尿嘧啶类化疗联合放疗，因此该队列中测得的病理应答反映的是放化疗的联合效应，而非单纯的放射敏感性。手稿中所有关于应答预测或治疗应答生物标志物的表述均应在此联合治疗背景下理解。

二、研究设计与方法

研究人员从GEO数据库（登录号GSE35452）获取基因表达微阵列数据。该队列包含46例直肠癌患者治疗前活检样本，患者随后接受氟尿嘧啶类（5-氟尿嘧啶或卡培他滨）同步化疗联合盆腔放疗（总剂量45–50.4 Gy，25–28次分割），之后行手术切除。治疗应答表型采用Mandard肿瘤消退分级（tumour regression grade, TRG）系统在手术切除标本上评估：TRG 1–2（完全或接近完全病理应答）定义为应答者（n＝24，52.2%），TRG 3–5（部分或无应答）定义为非应答者（n＝22，47.8%）。由于原始GEO记录未分层所有临床特征，患者年龄、性别、肿瘤分期和具体分割放疗剂量等信息并非对所有样本均可用。

数据预处理方面，表达值以已处理且log2转化的形式从GEO系列矩阵下载。原始数据集在Affymetrix HG-U133 Plus 2.0芯片（平台GPL570）上生成，由原始研究作者采用RMA（Robust Multi-array Average）标准化方法预处理；探针注释使用对应的Bioconductor注释包hgu133plus2.db（版本3.2.0）。去除任意样本存在缺失值的探针；多个探针映射至同一基因符号时，保留平均表达最高的探针，最终获得46个样本×22,189个基因特征的数据矩阵。

批量效应调查方面，由于GSE35452 GEO系列矩阵未一致包含技术处理变量元数据，研究人员采用间接评估方法——主成分分析（principal component analysis, PCA）。对完整22,189基因表达矩阵进行PCA后，PC1仅解释4.3%的总方差，前十个主成分合计解释29.6%。主导性批量效应通常表现为异常大的第一主成分并在碎石图中出现明显拐点；观察到的轮廓与此类模式不符。研究人员承认，间接PCA检查无法正式排除所有形式的技术混杂。

初步方差过滤方面，基因按全46样本矩阵上的跨样本方差排序。该操作仅使用每个基因表达向量的边际分布，完全无类别标签，因此保留样本仅贡献其表达值而非应答标签。主分析使用前1000个基因，合计占总表达方差的13.4%。为评估方差阈值的稳健性，研究人员进行了保留前500、1000、2000和5000个最可变基因的敏感性分析。

核心方法为标签泄漏受控的折嵌套机器学习流水线。先前实现将特征标准化和特征选择应用于完整46样本数据集后再进行交叉验证分割，导致验证样本信息污染训练过程。当前实现通过将所有预处理步骤封装在单个sklearn.pipeline.Pipeline对象中消除此偏差，该对象的fit方法仅在每个折的训练分区上调用。流水线在每个外交叉验证折内按顺序执行：方差过滤（VarianceThreshold，σ2<0.001）去除折内近零方差基因；标准化（StandardScaler）在训练折上拟合后不重新拟合地应用于验证折；特征选择（SelectKBest，f_classif，k＝30）在训练折内按ANOVA F统计量选择30个最高排名基因；分类器在30基因标准化训练特征上训练。抗泄漏原则明确表述为：包括方差过滤、标准化和特征选择在内的每个预处理操作均仅在外交叉验证折内的训练分区上拟合，随后不重新拟合地应用于独立保留的验证折。

研究采用五折分层嵌套交叉验证，内外两层均按应答类别分层。外循环提供无偏性能估计；内循环（五折）专门用于通过GridSearchCV进行超参数优化，以平均分层ROC–AUC为标准。八种分类器作为探索性多算法比较被评估：逻辑回归、随机森林、梯度提升、线性SVM、RBF SVM、KNN、AdaBoost和高斯朴素贝叶斯。所有随机种子统一设为42。

多算法特征重要性分析与候选基因识别方面，四种互补的特征重要性算法（ANOVA F统计量、互信息、L1惩罚逻辑回归和随机森林重要性）在每个外训练折内独立应用，与分类流水线平行且完全分离。这些分析服务于nCRT应答相关基因的生物学表征而非分类器输入。每个算法在每个折内选择前50个基因，跨五个外折取交集构建折特异性共识基因集。

三、研究结果

分类性能结果： 五个外折的合并折外AUC（pooled out-of-fold AUC）为0.987（高斯朴素贝叶斯；95%百分位自助法CI：0.949–1.000），平均折间AUC为0.990 ± 0.020。基于合并折外预测，特异性为87.0%，平衡准确率为91.5%。

候选基因面板鉴定结果： 研究确定了跨折特异性特征选择分析的109基因共识候选面板。在该面板中，六个基因在应答者与非应答者之间显示出统计学显著差异表达：WBP1L、CEBPB、ATE1和BAG2在非应答者中表达较低，而BSG和ZFAND2B表达较高。FAM175A被特征重要性选中，但在发现队列中差异表达不显著（p＝0.393）。

功能富集分析结果： 以1000个方差过滤基因为背景宇宙，对109基因候选面板进行功能富集分析（clusterProfiler；Benjamini–Hochberg FDR < 0.05），识别出与DNA损伤应答、信号转导、凋亡信号传导、蛋白质调控和免疫相关过程相关的生物学过程。共识候选集的最富集生物学过程为DNA损伤应答、凋亡信号传导和MAPK级联。

四、讨论与结论

该发现性研究表明，一个整合的、标签泄漏受控的机器学习框架能够识别直肠癌nCRT应答预测的生物学连贯转录组候选基因。研究结果具有探索性，需在独立队列中验证。鉴于单一回顾性队列仅含46例患者且缺乏独立外部验证，所有发现均应视为假设生成性的。在得出任何临床或转化推断之前，必须在独立前瞻性队列中进行外部验证。前瞻性验证研究应纳入系统性元数据记录和正式批量检验（如sva::ComBat在训练折内应用）。