《Methods and Protocols》：Comparison of Normalization Methods for Cell-Free miRNA RT-qPCR Data Analysis in Non-Small Cell Lung Cancer
编辑推荐：
微小RNA（miRNA）在生物体液中的稳定性及其与病理状态的关联，使其成为包括非小细胞肺癌（NSCLC）在内的非侵入性癌症诊断中颇具前景的生物标志物。然而，miRNA表达的可变性和定量逆转录PCR（RT-qPCR）的技术层面问题，要求采用有效的归一化方法以准确
微小RNA（miRNA）在生物体液中的稳定性及其与病理状态的关联，使其成为包括非小细胞肺癌（NSCLC）在内的非侵入性癌症诊断中颇具前景的生物标志物。然而，miRNA表达的可变性和定量逆转录PCR（RT-qPCR）的技术层面问题，要求采用有效的归一化方法以准确评估miRNA水平并识别生物学差异。尽管有多种归一化方法可供使用，但对于循环miRNA数据的最佳处理方案尚未达成共识。本研究对五种归一化策略——成对归一化（pairwise normalization）、三重归一化（Tres normalization）、四重归一化（Quadro normalization）、总体均值归一化（normalization to the overall mean）和排除均值归一化（normalization to the exclusive mean）——进行了系统的方法学基准测试，并将其应用于NSCLC患者和健康供者血浆细胞外囊泡（EVs）中17种miRNA的RT-qPCR数据。研究旨在评估这些方法对机器学习模型性能的影响。针对每种归一化方法，研究人员构建了随机森林（Random Forest）模型，并使用准确率（accuracy）、F1分数（F1 score）、AUC-ROC、AUPRC、精确率（precision）、灵敏度（sensitivity）、特异度（specificity）、马修斯相关系数（MCC）和过拟合差距（overfitting gap）对模型进行评估。成对归一化在大多数指标上持续优于所有其他方法，获得了最高的AUC-ROC和AUPRC以及最低的过拟合差距，且与其他方法相比差异具有统计学显著性。成对归一化为此类基准测试应用提供了一种计算简单且性能优异的选择。
论文解读
一、研究背景与目的
微小RNA（miRNA）是一类小分子非编码RNA，在基因表达调控及多种生物学过程中发挥着关键作用。miRNA在生物体液中的稳定性及其表达水平与病理状态的相关性，使其成为多种疾病（包括肿瘤、心血管和神经系统疾病）非侵入性或微创诊断中颇具前景的生物标志物。然而，将miRNA作为生物标志物存在若干不足：其表达水平随样本类型和生理状态而变化，且浓度评估依赖间接检测方法——逆转录定量PCR（RT-qPCR），这要求对单个miRNA的表达数据进行归一化处理。不当的归一化可能导致表达水平评估错误和虚假结论，尤其在涉及有限受试者群体的探索性研究中，归一化的正确性直接关系到数据的可靠性。
目前已有多种归一化方法用于评估miRNA水平，包括归一化至稳定表达的RNA分子（如miR-16、U6、miR-191）、全局归一化至实验中所有miRNA的均值水平、单个miRNA的成对归一化，以及TMM（trimmed mean of M-values，M值修剪均值）和VSN（variance stabilization normalization，方差稳定化归一化）等方法。然而，对于miRNA水平评估而言，并不存在通用的"最佳"归一化技术，方法的选择取决于数据类型、测量平台和研究目标。每种归一化方法各有优劣：以miR-16等"管家"miRNA作为内参虽然简单，但其表达稳定性在不同组织和病理生理状态下存在差异；全局归一化和功能归一化考虑了更复杂的生物学关系，但需要更大的数据集和更复杂的计算。值得注意的是，分位数归一化、TMM和VSN等方法通常不适用于RT-qPCR数据的归一化，因为Ct值反映的是单个miRNA的表达水平而非整个panel的信号强度分布特征。
基于上述背景，本研究旨在对循环miRNA RT-qPCR数据的归一化方法进行系统的方法学评估和基准测试，以NSCLC血浆细胞外囊泡（EVs）中miRNA水平的RT-qPCR数据为例，比较成对归一化（PN）、三重归一化（TN）、四重归一化（QN）、总体均值归一化（OM）和排除均值归一化（EM）五种方法对下游模型质量指标和特征选择稳定性的影响。
二、研究设计与关键技术方法
研究人员使用了来自俄罗斯Meshalkin国家医学研究中心和联邦医学-生物学机构肺病学研究所的27例健康供者和20例NSCLC患者的血浆EV样本，所有患者均为组织学确认的腺癌。采用聚集-沉淀法结合PEG和葡聚糖蓝进行血液处理和EV分离，随后提取miRNA并进行RT-qPCR检测，评估17种miRNA的表达水平。作为内部加标对照，每个样本在提取前加入cel-miR-39，其Ct值用于样本纳入/排除标准。为排除批次与分组之间的混杂效应，健康供者和患者的样本在分离和定量批次间进行了随机化分配。
五种归一化方法的具体定义如下：成对归一化（PN）计算每个独特miRNA对的Ct值之差；三重归一化（TN）通过从每个miRNA的Ct值中减去三元组中其他两个miRNA的Ct均值来计算ΔCt值；四重归一化（QN）类似地扩展至四元组；总体均值归一化（OM）将每个miRNA的Ct值减去panel中所有miRNA的均值；排除均值归一化（EM）将每个miRNA的Ct值减去panel中除该miRNA外所有其他miRNA的均值。OM和EM生成17个特征，而PN、TN和QN分别生成64、420和784个特征（去除重复后）。
模型构建采用随机森林（Random Forest）分类器，评估流程包括：100次随机的80/20分层划分（基于类别和TNM分期），超参数通过嵌套验证进行调优，训练集类别平衡，基于递归特征消除（RFE）的特征选择，模型拟合与测试集评估。所有数据依赖步骤（超参数调优、特征选择、类别平衡和模型拟合）仅在每次重采样迭代的训练集内进行，测试集从迭代开始即被保留，仅用于最终的无偏性能评估。模型使用准确率、F1分数、AUC-ROC、AUPRC、精确率、灵敏度、特异度、MCC和过拟合差距等指标进行评估。统计比较采用配对非参数检验（Friedman检验和Wilcoxon符号秩检验），并采用Benjamini-Hochberg校正控制错误发现率（FDR < 0.05）。
三、研究结果
3.1 归一化方法对模型分类性能的影响
所有纳入分析的样本Ct值均低于45，加标对照cel-miR-39的Ct值在所有样本中平均为25，变异度为±1，表明RNA提取和逆转录效率的一致性良好。五种归一化方法的比较结果显示，成对归一化（PN）在所有主要指标上持续优于其他归一化策略：PN获得了最高的AUC-ROC和AUPRC以及最低的过拟合差距。PN与均值类方法（OM和EM）在MCC和准确率上的差异也具有统计学显著性。QN和TN之间无统计学显著差异，但各自相对于均值类方法表现出特定优势：TN在MCC上更优，QN在过拟合差距和AUPRC上更优。
事后功效分析显示，研究在关键判别指标比较（PN vs. OM、PN vs. EM、QN vs. OM的AUC、AUPRC和OverfitGap）中具有超过80%的统计功效。而效应量较小的比较（PN vs. TN、PN vs. QN、TN vs. QN）功效为0.16-0.76，与这些配对间无统计学显著差异的结果一致。OM vs. EM的功效接近零（0.05-0.23），反映了二者在数学上的等价性。
3.2 特征重要性与标志物识别
通过平均Gini下降度（Mean Decrease Gini）分析特征重要性发现，不同归一化方法下排名靠前的标志物在结构上存在差异，但共享一个共同的miRNA核心集（miR-125b、miR-92a、miR-378、miR-30e、miR-205和miR-660）。对于PN，排名第一的特征是miR-30e/miR-92a对，出现频率最高的为miR-125b。TN和QN的顶级特征是以miR-125b、miR-205和miR-378为核心的组合，出现频率最高的仍为miR-125b。OM和EM产生了相同的单个均值中心化miRNA前十列表，与其数学等价性一致。
在所有五种归一化方法中，miR-125b、miR-378、miR-30e、miR-205、miR-660和miR-92a始终出现在前十特征中，构成判别签名的稳定核心。miR-125b出现频率最高，在所有方法中共出现20次。值得注意的是，miR-31和miR-375仅在基于比率的方法（PN、TN和QN）中被纳入，表明其信息性信号通过相对表达差异而非绝对水平呈现。
3.3 特征选择行为差异
RFE的行为在不同方法间存在显著差异：对于PN，RFE将特征集从64个减少至约21个（减少67%），同时保持AUC不变，表明存在紧凑的信息性成对特征核心；对于QN，RFE保留了784个特征中的约656个（仅减少16%），且变异性高（SD = 284），表明信息分布在高相关特征空间中；TN呈现中等程度的减少（26%）；OM/EM仅观察到小幅减少（20-22%），因其表征已较为紧凑。
四、讨论与结论
关于RT-qPCR获得的miRNA数据的最佳归一化方法问题至今尚未解决。本研究系统地比较了多种归一化方法对NSCLC血浆EV RT-qPCR数据下游模型性能和特征选择稳定性的影响。研究结果表明，成对归一化（PN）提供了最稳健和稳定的分类模型，其分类性能显著更高且过拟合差距更小。这一发现与既往研究一致：Boeri等人提出了成对归一化以提高肿瘤学miRNA分析中RT-qPCR的灵敏度和特异度；Schwarzenbach等人和Meyer等人也报告称，使用多个miRNA作为归一化因子比使用通用管家miRNA能更好地补偿技术变异并稳定模型。
均值归一化（OM和EM）的分类性能相对较差，这可能反映了对生物学意义变异的过度平均化，或对临床数据特征的适应性不足。文献支持这一结论：归一化过程中过度平均化可能掩盖具有生物学重要性的miRNA差异并降低诊断效能。TN和QN的性能介于PN和均值归一化之间，反映了两种相反效应之间的权衡：均值归一化方法中相对表达信息的丢失与高阶组合中冗余度和特征相关性的增加。PN似乎处于这两个极端之间的最优点，既保留了相对信息又避免了过度冗余。
计算效率方面，PN和均值归一化方法需要较短的训练和推理时间，代表了一种实际优势。从临床角度看，由数个miRNA组成的panel具有吸引力，因为它们可以在多重qPCR检测中直接实施，降低实验室成本并简化标准化流程。
研究局限性包括：分析仅限于腺癌亚型，限制了向其他NSCLC组织学类型（如鳞状细胞癌）的推广性；需要更大规模、包含早期疾病和多种亚型的独立队列进行外部验证；中等样本量限制了罕见miRNA相互作用的统计功效。此外，五种预处理策略不仅在归一化上存在差异，还产生了维度不同、冗余度不同的特征表征——这种维度差异是各归一化策略的固有属性，归一化效应与特征空间大小的效应在构造上不可分离。然而，研究结果不支持"更大的特征空间驱动更好性能"的假设：PN以比率类方法中最小的特征集（64个特征）实现了最高的预测性能（AUC = 0.997），而特征空间大12倍（784个特征）的QN性能略低（AUC = 0.989）。特征空间大小与预测性能之间的这种反向关系表明，冗余不一定改善分类效果，反而可能引入噪声，抵消额外组合信息带来的收益。
综上所述，成对归一化方法可有效用于分析RT-qPCR数据以识别潜在的癌症标志物。其他研究方法在标志物发现和诊断系统构建方面效果较差，但可能提供补充性见解，有助于识别生物体液中具有生物学意义且稳定存在的候选miRNA标志物，建议至少在早期标志物panel筛选阶段作为补充工具使用。
