用于泛癌肿瘤类型分类与预后分析的多组学患者图谱构建的泄漏控制基准测试

《Computational Biology and Chemistry》：Leakage-controlled benchmarking of multi-omics patient-graph construction for pan-cancer tumor-type classification and prognosis analysis

　　

摘要

泛癌多组学分析需要能够整合互补分子信号同时保留患者之间具有生物学意义关系的模型。本研究提出了一个用于泛癌分类和预后分析的患者图学习的泄漏控制基准测试框架，重点关注图的构建如何影响下游性能。该基准测试明确将特定折叠的图形成与下游预测分开。使用涵盖 31 种癌症类型的 8204 个原发性肿瘤的 TCGA 泛癌队列，RNA 表达和拷贝数变异数据用于在共同的 GATv2 编码器家族下比较早期特征融合、轻量级相似度网络融合（SNF-lite）和融合的 k 近邻相似度图，具有匹配的注意力头搜索空间和内部验证选择程序。严格的 5 × 3 嵌套交叉验证协议确保了插补、基因选择、特征缩放、相似度计算和邻居搜索仅在训练折叠上进行拟合。在 $G^{\prime }=2000$ 时，图级融合方法达到了约 0.92 的准确率和 0.89 的 Macro-F1，优于早期融合的约 0.89 准确率和 0.84 Macro-F1。融合 kNN 图也显示出比 SNF-lite 更高的邻域标签纯度，尽管预测性能相似。加权拓扑审计表明，仅局部标签一致性并不能决定图的效用。基因和组学消融实验表明，RNA 携带主要的亚型判别信号，而 CNV 和突变贡献较弱但互补的信息。Cox 辅助目标在单独使用时保留了分类性能，并实现了折叠外的预后分层。这些发现表明，患者图的构建是泛癌多组学学习中的关键设计选择，泄漏控制评估对于计算肿瘤学中可靠且具有生物学意义的基准测试至关重要。

引言

泛癌分子特征揭示了肿瘤类型之间和个体疾病谱系内的显著异质性，这促使计算方法整合多个组学层以用于诊断、亚型特征化和预后评估（Subramanian 等，2020）。这一研究领域位于生物信息学、系统生物学和创新的人工智能生物学数据方法法的接口。在最广泛可用且具有生物学意义的模态中，转录组和拷贝数变异（CNV）数据捕捉了肿瘤生物学的互补方面。RNA 表达反映下游功能活动，而拷贝数改变提供了基因组破坏的度量，这可能影响转录程序和临床行为（Vahabi 和 Michailidis，2022, Bai?o 等，2025）。因此，它们的联合分析有可能恢复仅从单一模态无法看到的患者结构。从生物学角度来看，这使得将患者邻域不仅与共享的分子相似性联系起来，还可以与谱系程序、通路活性和队列中的肿瘤状态异质性联系起来成为可能。

基因组破坏与转录之间的结构关系是多对多的，而不是均匀线性的。局部拷贝数事件可以通过直接剂量效应改变表达，而涉及转录因子、染色质调节因子或信号基因的改变可以在更广泛的通路中传播（Ding 等，2015）。因此，不同的基因组事件在扰动相同的生物过程时可能汇聚到相似的转录程序上。相反，由于表观遗传状态、补偿性调节、克隆组成、肿瘤纯度和微环境背景，相同的基因组事件可以产生谱系依赖的表达变化。当基因组破坏和实现的转录状态提供一致证据时，患者邻域变得具有生物学凝聚力，而跨模态的不一致可以识别通向相关表型的替代分子途径。

早期的多组学研究通常使用连接特征后的经典机器学习或深度神经网络（Subramanian 等，2020, Vahabi 和 Michailidis，2022）。其他方法，包括相似度网络融合（Wang 等，2014）和 CIMLR（Ramazzotti 等，2018, Argelaguet 等，2018），结合模态特定的相似度矩阵以捕捉异质分子信号之间的共享结构。最近的工作已将多组学分析扩展到用于分类和预后的基于图的设置，包括图卷积、图注意力和几何图神经网络模型。例子包括 MOGONET（Wang 等，2021），MoGCN（Li 等，2022），omicsGAT（Baul 等，2022），DeepMoIC（Wu 等，2024），MOGAT（Tanvir 等，2024），用于生存预测的几何图神经网络（Zhu 等，2023），AVBAE-MODFR（Li 等，2024b）和 MOSDNET（Li 等，2024a）。这些研究证明了图学习在计算肿瘤学中的前景，但它们通常评估单一的建模流水线，其中预处理、患者图形成和编码器设计一起改变。

这造成了一个重要的方法论局限性。在患者图学习中，图不是一个中性的预处理产物。定义患者关系的方式决定了局部邻域组成、图连通性、信息传播路径，最终决定了图神经网络可以利用什么亚型或预后结构。同时，当特征选择、缩放、相似度计算或邻接构造在训练 - 测试分割之前使用全队列信息时，可能会出现信息泄漏（Ambroise 和 McLachlan，2002, Varma 和 Simon，2006）。这个问题在患者图学习中尤为重要，因为全数据集图可能隐式编码测试集结构。为了隔离这个阶段，外部训练邻接矩阵是从 GAT 优化前的特定折叠分子数据构建的，并在整个训练过程中保持固定。在评估期间，留出患者仅使用冻结的特定折叠预处理、距离和加权规则连接到外部训练患者。这些评估连接在推理过程中保持固定，并且不构建测试到测试的边。

本研究通过一个用于泛癌多组学分析的患者图学习的泄漏控制基准测试框架解决了这一差距。使用来自 TCGA 泛癌队列的 RNA 表达和 CNV 数据，在共同的 GATv2 编码器家族下评估了替代患者图策略，具有匹配的注意力头搜索空间和内部验证选择程序以及一致的 5 × 3 嵌套交叉验证协议，防止了基因选择、预处理、相似度计算和邻居搜索期间的泄漏。该框架在相同的折叠和相同的编码器选择协议下比较早期特征融合、SNF-lite 邻接融合和融合 k 近邻（kNN）患者图，使用基因对齐的 RNA+CNV 作为稳定的共享特征空间，以便图构建策略而不是组学对成为研究变量，并将评估扩展到预测准确率之外，包括生存分层和亚型级生存一致性、图质量诊断和归因衍生的基因信号。通过在匹配编码器家族和图构建的选择程序的同时隔离患者图选择，本研究提供了对基于图的表示用于肿瘤类型分类和生存建模的控制评估，并为计算肿瘤学中生物学感知的多组学患者图学习提供了实用指导。

章节片段

多组学整合与患者相似性建模

多组学整合已被广泛用于通过结合互补分子信号来改善癌症亚型特征化和预后预测。早期研究通常依赖于特征连接，随后是经典机器学习或深度神经网络（Subramanian 等，2020, Vahabi 和 Michailidis，2022, Bai?o 等，2025, Shen 等，2022）。预后框架也将 Cox 比例风险目标扩展为非线性神经架构，而

数据集

实验使用了从 UCSC Xena 泛癌图谱资源组装的 TCGA 泛癌队列（Goldman 等，2018）。整合了 RNA 表达、来自 GISTIC2（Mermel 等，2011）的基因级 CNV 以及来自 MC3（Ellrott 等，2018）的非沉默体细胞突变调用，以及表型和生存表。肿瘤类型标签来自 primary_disease，总生存终点来自 OS.time 和 OS（Liu 等，2018）。组学和临床表通过

标题设置下的图构建比较

该分析检查替代患者图构建策略是否不仅改变分类性能，还改变局部患者邻域的生物学连贯性。表 2 比较了在 5 × 3 嵌套交叉验证下使用 RNA+CNV 在 $G^{\prime }=2000$ 时的早期融合、SNF-lite 和融合 kNN 图构建。修订后的匹配比较报告了在共同随机森林选择器下 $K\in \left\{\mathrm{10,12,15}\right\}$，无组学门控，以及相同的交叉熵目标。早期融合表现不佳

讨论

本研究提供了一个泄漏控制的比较，用于在共同 GATv2 编码器家族下，具有匹配的注意力头选择程序和一致的 5 × 3 嵌套交叉验证协议的泛癌多组学学习中的患者图策略。结果表明，患者图选择是一阶建模决策，因为它改变预测性能和图结构。在 $G^{\prime }=2000$ 的标题 RNA+CNV 设置中，图级融合显著优于

结论

本研究提出了一个用于泛癌多组学分析的患者图学习的泄漏控制基准测试框架。使用 TCGA 泛癌数据，在共同 GATv2 编码器家族下评估了替代患者图构建策略，具有匹配的模型选择协议和一致的 5 × 3 嵌套交叉验证协议。在标题 RNA+CNV 设置中，图级融合显著优于早期融合，而融合 kNN 图产生了更高的邻域

CRediT 作者贡献声明

Sandhya Gubbala：写作 – 原始草案，可视化，资源，方法论，数据整理，概念化。 Santhosh Amilpur：写作 – 审查与编辑，验证，监督，方法论，调查，形式分析。 Chandra Mohan Dasari：写作 – 审查与编辑，验证，监督，资源，调查，形式分析。

竞争利益声明

作者声明他们没有任何已知的竞争财务利益或个人关系可能影响本论文报告的工作。

Sandhya Gubbala 从印度安得拉邦维沙卡帕特南的安得拉大学完成了计算机科学与工程硕士学位，目前正在印度安得拉邦斯里城印度信息技术学院（IIIT）攻读博士学位。她的研究兴趣包括生物信息学、深度学习、图神经网络、多组学整合和可解释 AI。

Sandhya Gubbala|Santhosh Amilpur|Chandra Mohan Dasari