基于细胞外基质蛋白酶转录特征与临床变量整合的乳腺癌生存预测：一种机器学习方法

《Cancers》：Integrative Survival Prediction in Breast Cancer Using Extracellular Matrix Protease Transcript Signatures and Clinical Variables: A Machine Learning Approach Rami Babas, Demitrios H. Vynios, Aristotelis Kompothrekas, Basilis Boutsinas and Nikos Karamanos

　　

背景/目的：依赖临床分期传统的乳腺癌预后工具常无法捕捉分子异质性，导致患者结局存在差异。由基质金属蛋白酶(MMP)、去整合素金属蛋白酶(ADAM)及含血小板反应蛋白基序的去整合素金属蛋白酶(ADAMTS)家族驱动的ECM重塑对肿瘤进展至关重要。本研究旨在评估将ECM蛋白酶转录丰度与标准临床变量整合是否能提高生存预测准确性及个性化风险分层。 方法：分析了癌症基因组图谱(TCGA)乳腺癌队列的临床及转录组数据。将顶级蛋白酶基因蛋白编码转录本每百万(pTPM)与标准临床协变量(年龄、序数分期)整合。在70/30的分层训练-测试集划分下，评估了Cox比例风险(CoxPH)、惩罚Cox(CoxNet)、随机生存森林(RSF)和梯度提升生存(GBS)模型，随后进行了五折交叉验证。锁定最终RSF模型后在METABRIC中进行外部测试，未进行再训练或风险截断优化。 结果：单变量筛选确定ADAM15、MMP15和ADAMTSL1为全局风险因素，而ADAMTS8和MMP7为保护因素。预后信号具有亚型依赖性。整合多变量模型在内部测试中优于单纯转录组方法。整合RSF获得最高的留出判别能力(C-index = 0.797)，优于仅基于年龄和分期的临床Cox基线(C-index = 0.742)。在METABRIC中，外部C-index为0.581 (95% CI 0.562–0.598)，训练定义的风险组间存在显著的生存分离(log-rank p < 0.0001)。 结论：ECM蛋白酶转录谱在TCGA-BRCA中提供了互补的预后信息，并显示部分可迁移至METABRIC。然而，适度的外部C-index表明跨平台的个体水平判别能力有限，这些候选标志物应被视为假设生成性的，在临床应用前需要进一步验证。

论文解读：基于ECM蛋白酶特征的乳腺癌生存预测研究

研究背景与动机

乳腺癌作为全球发病率和死亡率最高的恶性肿瘤之一，其精准预后分层是治疗决策的核心。尽管现有的诺丁汉预后指数(NPI)及Oncotype DX等多基因检测已用于临床，但传统工具主要依赖临床分期，往往难以捕捉肿瘤的分子异质性，导致临床特征相似的患者出现截然不同的结局。此外，虽然分子检测通常基于转录组特征，但转录后调控机制可能导致mRNA丰度与蛋白质活性脱节。在此背景下，研究人员聚焦于细胞外基质(ECM)重塑这一肿瘤进展的关键过程，特别是基质金属蛋白酶(MMP)、去整合素金属蛋白酶(ADAM)和含血小板反应蛋白基序的去整合素金属蛋白酶(ADAMTS)这三个酶家族，旨在探究将其转录丰度与常规临床变量整合，能否通过机器学习算法改善生存预测的精度并实现个性化风险分层。

主要关键技术方法

本研究采用了多种机器学习生存分析模型进行对比。数据来源于TCGA乳腺癌队列，外部验证集来自METABRIC。关键方法包括：首先对数据进行预处理，将生存状态统一为二元事件指标，并对年龄、分期及蛋白酶表达特征进行标准化；其次进行单变量Cox筛选以确定顶级风险蛋白酶；随后构建四种模型进行比较，分别为Cox比例风险(CoxPH)、弹性网络Cox(CoxNet)、随机生存森林(RSF)和梯度提升生存(GBS)；采用70/30的分层训练-测试集划分及五折交叉验证评估性能；最终锁定RSF模型并在METABRIC队列中进行独立的外部验证，过程中严格限制未进行再训练或参数调整。

研究结果

1. 全队列生存关联

在全队列分析中，通过单变量Cox筛选确定了五个与预后显著相关的蛋白酶。其中ADAM15、MMP15和ADAMTSL1被鉴定为全局风险因素，而ADAMTS8和MMP7则表现出保护作用。火山图和森林图直观展示了这些蛋白的风险比(HR)及其统计学显著性。

2. 亚型特异性关联

亚型分析揭示了显著的生物学异质性。在基底样(Basal-like)亚型中，MMP10与风险增加相关；HER2阳性亚型中，MMP19和MMP28表现为保护因素，而ADAMTS18为风险因素；Luminal A亚型中，ADAMTS3和ADAMTSL1增加了风险，而MMP7为保护因素；Luminal B亚型中，ADAM22和MMP25为保护因素；Normal-like亚型中，ADAM15显示出极大的风险效应量(HR=6.25)，但由于样本量极小(n=34)，该结果被视为假设生成性。

3. ECM蛋白酶的共表达结构

通过计算成对共表达相关性发现，大多数蛋白酶对呈正相关，表明其受协调调控。MMP14被识别为关键的枢纽基因(hub)，与ADAMTS7、MMP11和MMP13存在强相关性。

4. 预测建模与风险分层

整合模型(临床+蛋白酶mRNA)在所有算法中均持续优于单一模态(仅mRNA)。其中随机生存森林(RSF)实现了最高的判别能力，C-index从0.745(mRNA only)提升至0.797(整合模型)。与仅基于年龄和分期的临床Cox基线相比，整合RSF贡献了ΔC=0.055的判别增益。多变量对数秩检验证实，RSF衍生的低、中、高风险组之间存在高度显著的生存分离(p < 0.0001)。

5. 患者水平验证

通过对减少输入特征版本的比较发现，不同亚型对生物标志物缺失的敏感性不同。Luminal A亚型对广泛生物标志物整合表现出高度敏感性，而Basal和HER2亚型在特征减少时仍保持轨迹稳定性。

6. 分期与年龄效应(非单调预测)

患者水平模拟显示，生存预测并不严格遵循临床肿瘤分期。例如，一名83岁高龄的I期基底样患者表现出最高风险评分，而一名年轻IIA期患者结局最佳，表明模型成功覆盖了单调的临床假设。

7. 外部验证(METABRIC队列)

锁定模型在METABRIC中的外部C-index为0.581 (95% CI 0.562–0.598)，虽低于内部表现，但风险组间仍实现了显著的生存分离(log-rank p < 0.0001)，表明该ECM蛋白酶特征具有部分可迁移性。

讨论与结论总结

研究人员在讨论中指出，该研究证实了ECM蛋白酶转录谱能提供超越标准临床变量的互补预后信息。RSF模型在处理MMP14等共线性网络及生成个性化生存轨迹方面表现出色。然而，从内部到外部的验证性能下降(C-index从0.797降至0.581)揭示了跨平台差异、残留批次效应及队列组成差异带来的挑战。

研究的局限性主要包括：Normal-like等亚组样本量不足导致统计效力受限；依赖转录丰度(pTPM)而非直接的蛋白质活性测量，可能受转录后调控影响；pTPM的组成性约束可能压缩Basal-like亚型中低表达蛋白酶的信号；以及使用全因总生存期(OS)而非乳腺癌特异性生存期可能引入竞争风险。

综上所述，该研究建立了一种整合ECM蛋白酶与临床变量的连续机器学习生存模型，虽然在内部验证中显示出优越的性能，但目前应被视为候选预后框架。未来需要在平台统一、前瞻性收集且具有乳腺癌特异性终点的队列中进一步验证，方能考虑纳入精准肿瘤学工作流程。该研究成果已发表于《Cancers》期刊。