《Computational and Systems Oncology》：Cox-PASNet With Late Fusion of Transcriptomic and Clinical Features for Survival Prediction in Diffuse Large B-Cell Lymphoma
编辑推荐：
弥漫大B细胞淋巴瘤（DLBCL）的准确预后仍是临床挑战。国际预后指数（IPI）是标准工具，但仅依赖临床变量，不能捕捉DLBCL广泛的分子异质性。整合转录组学已显示改善患者分层的潜力，然而多数方法缺乏生物学可解释性和外部验证。在此，研究人员应用Cox-PASNe
弥漫大B细胞淋巴瘤（DLBCL）的准确预后仍是临床挑战。国际预后指数（IPI）是标准工具，但仅依赖临床变量，不能捕捉DLBCL广泛的分子异质性。整合转录组学已显示改善患者分层的潜力，然而多数方法缺乏生物学可解释性和外部验证。在此，研究人员应用Cox-PASNet——一种通路结构化神经网络生存模型——于DLBCL，整合基因表达与临床特征。使用包含670例患者的发现队列（GSE181063）和包含233例接受R-CHOP治疗患者的独立外部验证队列（GSE10846），研究人员证明，通路结构化转录组学与IPI的晚期融合在发现队列上达到一致性指数（C-index）0.700 ± 0.020，在外部验证中达到0.732，统计学显著优于外部迁移的IPI-Cox基线（C-index 0.678；Δ = +0.054，bootstrap 95%置信区间[CI] [+0.004, +0.104]，p = 0.018）。纳入细胞起源（COO）亚型后，外部融合C-index进一步提高至0.745，尽管该相对IPI-Cox的额外增益未达到预设显著性阈值（bootstrap 95% CI [?0.0003, +0.130]）。通路水平可解释性分析识别出凋亡、缺氧、IL6/JAK/STAT3信号和干扰素γ反应具有一致预后价值，其中CDKN1A成为跨多个通路反复出现的枢纽基因，GPX4位于排名前列基因之中。这些发现支持通路结构化多模态生存建模在DLBCL中的转化潜力。
作者Auguste Rumbutyte、Jonathan Pearson与Scarlett Kynoch围绕DLBCL预后开展研究。研究背景是：DLBCL为非霍奇金淋巴瘤最常见类型，约占全球新诊断淋巴瘤的40%；R-CHOP为一线标准方案，约60%–70%患者完全缓解，但最高40%患者复发或难治，原发难治或早期复发者预后差。IPI由年龄、血清乳酸脱氢酶（LDH）、美国东部肿瘤协作组（ECOG）体能状态、疾病分期和结外病灶数构成，是主要临床风险分层工具，但区分能力有限（C-index通常低于0.68），不能反映驱动临床异质性的肿瘤生物学。转录组数据维度高，常规统计模型处理困难；正则化Cox、核方法和DeepSurv、Cox-nnet、SurvivalNet等深度学习模型虽有改进，却多将基因表达视为扁平特征向量，缺乏通路水平可解释性；通路结构化网络可将基因到通路关系编码为稀疏掩码，Cox-PASNet进一步用于生存分析。该研究因此将Cox-PASNet作为表达编码器，采用晚期融合整合通路结构化转录组风险评分与IPI临床模型，并评估加入COO亚型的价值，且在独立外部队列中验证。
关键方法概括：研究采用Cox-PASNet，以50个MSigDB Hallmark通路构建稀疏基因–通路掩码，对通路成员基因行方差过滤；临床分支采用岭惩罚Cox模型处理IPI，最佳配置加入COO哑变量；在GSE181063（HMRN队列，N = 670）行五折嵌套交叉验证选择超参数与融合权重α；在GSE10846（N = 233，R-CHOP治疗）直接外部迁移验证；以Harrell C-index、bootstrap 95%CI、Nadeau–Bengio校正配对t检验和单侧bootstrap置换检验评价；用Schoenfeld残差检验比例风险假设；以GradientExplainer计算SHAP进行基因与通路归因。
3.1 融合策略比较：在GSE181063上，Cox-PASNet+IPI晚期融合的C-index为0.700 ± 0.020，较IPI-Cox的0.658 ± 0.019提高Δ = +0.043；中间融合为0.680 ± 0.028，Δ = +0.022；仅基因组分支为0.649 ± 0.028，Δ = ?0.009；最佳配置Cox-PASNet+IPI+COO为0.719 ± 0.033，Δ = +0.061，平均融合权重α = 0.48。结论是评分水平组合优于特征水平拼接，通路结构化基因表达需与临床特征整合才能获得有意义的区分增益。
3.1.1 生物学先验消融：将通路限制为24条DLBCL相关Hallmark通路（2503个基因）后，融合C-index为0.715 ± 0.024，较50通路数据驱动模型仅Δ = ?0.004，性能近乎相同。结论是生物学先验未增加区分价值，掩码架构可自然抑制非造血通路，50通路模型作为主方法具有稳健性。
3.2 模型差异统计显著性：三种融合策略均较IPI-Cox显著改善；仅基因组分支未显著优于IPI-Cox；Cox-PASNet+IPI+COO较不含COO的晚期融合未达α = 0.05显著性；晚期融合与中间融合差异显著，支持评分水平组合。
3.3 GSE10846外部验证：IPI-Cox迁移C-index为0.678 [95%CI 0.614–0.744]；IPI+COO-Cox为0.730 [0.664–0.795]；仅基因组分支为0.655 [0.574–0.730]；Cox-PASNet+IPI（不含COO）为0.732 [0.664–0.794]；Cox-PASNet+IPI+COO为0.745 [0.677–0.807]。模型在发现队列全量训练后直接迁移，未在外部队列重训练。
3.3.1 统计检验：预设主要比较为不含COO的融合模型对IPI-Cox，ΔCI = +0.054，bootstrap 95%CI [+0.004, +0.104]，单侧p = 0.018，CI排除0，显示显著改善。加入COO后ΔCI = +0.067，95%CI [?0.0003, +0.130]，p = 0.026，但CI边际包含0，未达预设显著性标准，仅作描述性报告；融合模型对IPI+COO-Cox的ΔCI = +0.015，95%CI [?0.033, +0.062]，p = 0.271，不显著。
3.3.2 时间依赖区分：Uno AUC在0.5、1、2和5年landmark时间点显示方向性趋势，提示转录组特征可能捕捉早期疾病侵袭性，而临床变量在较长随访中仍保留预后相关性；但事件数仅60，bootstrap CI宽且重叠，仅作方向性解释。
3.3.3 校准：各模型校准尚可，Integrated Brier Score均远低于零模型参考值约0.25，范围为0.145–0.157，模型间差异不大，提示COO在通路表达和IPI之外对校准贡献较小。
3.3.4 风险分层：在GSE10846按中位预测风险评分分组后，Kaplan–Meier分析显示高、低风险组显著分离，所有模型log-rank p < 0.001；两个融合模型均表现较强且视觉上大致相近的分层，但事件数少、CI宽，模型间差异需谨慎解释。
3.3.5 探索性亚组分析：按年龄和性别探索。Cox-PASNet+IPI+COO在≤60岁患者（n = 113，19个事件）中似优于>60岁患者（n = 120，41个事件），但事件数少，需谨慎；性别未见类似差异；正式公平性评价需更大、更多样外部队列。
3.4 特征重要性与通路分析：以GSE181063全量训练模型、100例分层背景、GSE10846（n = 233）评价，SHAP平均|SHAP|最高基因包括CDKN1A（0.244）、GPX4（0.165）、CROT（0.158）、SIAH2（0.154）、GRPEL1（0.152）、FAS（0.151）和ENO2（0.147）。通路水平前10位为凋亡、雌激素反应早期、缺氧、IL-6/JAK/STAT3信号、干扰素γ反应、外源物代谢、雌激素反应晚期、经NFκB的TNFα信号、补体和脂肪生成。驱动基因包括CDKN1A（凋亡、缺氧、干扰素γ反应、TNFα/NFκB）、FAS（凋亡、IL-6/JAK/STAT3、干扰素γ反应、外源物代谢）、SIAH2（雌激素反应早期和晚期、缺氧）、ENO2（凋亡、缺氧）和CROT（外源物代谢）。缺氧通路重要性约0.04，CDKN1A贡献占优，但SIAH2和ENO2亦有贡献。原文指出CDKN1A与FAS为凋亡和p53依赖性细胞死亡的经典介导因子，IL-6/JAK/STAT3、干扰素γ反应和TNFα/NFκB为DLBCL已知生存通路；GPX4为铁死亡关键调节因子，近期被识别为DLBCL潜在诊断和治疗生物标志物；雌激素反应、外源物代谢和脂肪生成的高重要性在血液恶性肿瘤中不预期，原文认为可能反映与免疫浸润和代谢重编程程序的共表达，而非直接雌激素或脂肪生成活性。
讨论部分总结：架构变体性能近乎相同，提示该设置下对预处理选择稳健；最佳变体采用50%方差过滤并用于融合策略评价。仅基因组模型C-index略低于IPI-Cox（0.649对0.658），说明通路结构化基因表达单独应用时未超过既定临床风险分层；但晚期融合整合基因组与IPI后较IPI-Cox显著改善，表明转录组与临床信息互补。晚期融合优于中间融合，符合评分水平组合更不易受高维拼接输入优化困难影响，α = 0.48近平衡也提示两模态独立贡献。加入COO在发现队列仅小幅、非显著改善；因COO本身源自基因表达，与基因组分支存在预期冗余，可解释边际增益减弱；但COO增强模型在两个队列点估计最高，被作为主模型。外部验证中，不含COO的融合模型显著优于IPI-Cox，证明通路结构化转录组特征可泛化；含COO全模型点估计最高但未达预设显著标准，原文认为可能反映GSE10846中COO分布不均导致bootstrap方差增加，而非真实效应减弱。CDKN1A跨通路主导引出通路信号是否由广泛通路成员的单一枢纽基因驱动的问题，未来需排除CDKN1A的敏感性分析；通路贡献方向倾向免疫相关程序，原文提出肿瘤炎症通路表达较高可能免疫参与更强、对利妥昔单抗更敏感，但需大队列和免疫组化验证。局限包括外部队列样本量有限（n = 233，60个事件）、随访较短（2.12年对6.11年）、统计功效受限、CI较宽；两队列人群主要为 white European ancestry，限制泛化；平台不同且除限制共同通路成员基因外未作跨平台归一化或批次校正，单次训练到测试迁移不能排除平台效应；IPI-Cox中疾病分期存在非比例风险，限制风险比解释，未来可采用分层或时变Cox。未来方向包括加入合并症、全切片病理图像多模态整合，以及与临床利益相关者共同设计决策阈值并评估患者管理影响。
研究结论翻译：研究人员通过晚期融合整合转录组和临床特征，将Cox-PASNet应用于DLBCL预后任务。在发现队列中，融合模型较IPI-Cox临床基线取得统计学显著改善，并在外部验证中得到确认。基于SHAP的归因识别出凋亡、缺氧、IL-6/JAK/STAT3信号和干扰素γ反应为最一致的预后通路程序，CDKN1A成为跨多个通路反复出现的枢纽基因，GPX4位于排名前列基因之中。这些发现表明，通路结构化转录组特征捕获了超越既定临床风险因素的补充预后信号，且所识别生物程序与已知DLBCL疾病生物学一致。
