《ANALYTICAL AND BIOANALYTICAL CHEMISTRY》：Dimensionality reduction and metabolite panel derivation in urinary metabolomics based on Random Forest with Gini index feature selection
编辑推荐：
非靶向尿液代谢组学为探究乳腺癌（BC）等致癌过程相关代谢改变提供了有前景的途径。然而，在面向生物标志物的研究中，尤其在早期BC检测与人群筛查背景下，稳定筛选具信息量的m/z特征仍是核心挑战。研究人员利用两套独立队列（n=50与n=75）尿液样本，采用不同UHP
非靶向尿液代谢组学为探究乳腺癌（BC）等致癌过程相关代谢改变提供了有前景的途径。然而，在面向生物标志物的研究中，尤其在早期BC检测与人群筛查背景下，稳定筛选具信息量的m/z特征仍是核心挑战。研究人员利用两套独立队列（n=50与n=75）尿液样本，采用不同UHPLC–QTOF–ESI?质谱流程，分别获得224与129个对齐m/z特征。分类与嵌入式特征选择于防泄漏随机森林（RF）框架内实施，基于基尼指数（Gini index）重要性排序。模型评估引入重复训练-测试划分与交叉验证以保障方法严谨性并最小化过拟合。通过在色谱分离条件不同的两分析队列上一致应用同一RF分析框架，研究人员证实统一监督策略可在特征维度差异下取得可比高分类性能。进一步受控降维确定每队列25个m/z特征的精简面板且保持分类性能。特征缩减后稳定性维持，完整与缩减模型均见强准确率、F1分数及受试者工作特征（ROC）与精确率-召回率（PR）特性。该跨队列一致性表明RF捕获的判别信号非队列特异或依赖特定分离流程，而反映与BC相关的可重复代谢模式。特征选择稳定性还由RF衍生基尼重要性排序与MetaboAnalyst 5.0中偏最小二乘判别分析（PLS-DA）所得投影变量重要性（VIP）评分的显著重叠佐证，显示不同监督多变量框架间一致性。综上，这些发现凸显统一监督树基策略优势，能在独立非靶向代谢组学平台间提供稳定分类与可解释降维，为代谢组学驱动生物标志物发现与未来临床验证提供结构化可迁移框架。
研究背景方面，尽管乳腺癌（breast cancer, BC）影像与分子诊断进展显著，但反映致癌过程扰动的代谢生物标志物仍具价值，尤其利于早期检测与人群筛查。非靶向液相色谱-质谱（LC–MS/MS）可全面表征肿瘤生物学相关代谢改变，尿液因无创且整合多生理通路代谢活性成为理想生物流体。然而非靶向代谢组学核心挑战不在数据采集而在解释：高维数据（变量数逼近或超样本数）增加过拟合风险、限制可重复性并阻碍下游生物验证。现有MetaboAnalyst 5.0等平台提供PCA、PLS-DA等投影方法，虽擅模式识别但将原始m/z转为潜变量，削弱直接生化可解释性。随机森林（Random Forest, RF）作为监督学习可保留特征身份、捕捉非线性与交互、嵌式特征选择抗过拟合，适合小队列高维数据。本研究动机为：跨不同色谱条件两独立队列评估非靶向尿代谢组BC分类判别力（采用防泄漏监督策略），并建立可重复可解释降维法在保持性能同时保留生化意义。
主要关键技术方法方面，研究人员使用两既往生成独立尿代谢组队列：队列A（n=50，35 BC/15对照）与队列B（n=75，53 BC/22对照），均晨尿空腹采集、离心分装-80℃存，不同UHPLC–QTOF–ESI?流程（提取溶剂、色谱柱、流速等异）获224与129共享m/z特征；预处理经Find Molecular Features与NEAPOLIS对齐过滤。统计与机器学习端，Python(scikit-learn)实现RF（200–400树、最大深度6、节点最小样本5–10、叶最小2–8、每分裂考虑√特征数，队列B调类权重），超参先验固定防泄漏；验证用6次独立外层80/20训练-测试划分（预处理与特征排序仅训练集执行）加重复分层K折交叉验证；特征重要性取训练集Mean Decrease Gini（MDG）跨划分平均；降维取每队列Top25 m/z面板；跨法一致性以MetaboAnalyst 5.0 PLS-DA的VIP评分比对；另用SVM与Logistic Regression验证面板转移性。
研究结果部分，"Classification performance of RF machine learning model"小节中，研究人员在防泄漏RF框架下对队列A（224特征）六划分得训练准确率均值91.7%、F1 94.0%，独立测试准确率86.7%、F1 90.5%，ROC-AUC 0.96±0.06；队列B（129特征）训练准确率98.6%、F1 99.0%，测试准确率94.4%、F1 96.3%，ROC-AUC近1.00。混淆矩阵显示对角线结构明显，队列A因样本小错分略多。结论为RF对非靶向尿代谢组BC/对照分类稳健可重复。"Controlled dimensionality reduction"小节中，基于MDG跨划分平均排位选Top25 m/z，重训RF性能持平全特征：队列A缩面板测试准确率约90%、F1约92%（重复CV约86%/88%），队列B约93%/96%（CV>97%/98%）；图示准确率约25特征即达平台。结论为判别信息集中于少量m/z，Gini嵌式选择兼顾可解释与防过拟合。"Impact of feature reduction on model performance"小节复用同验证策略确认25特征面板两队列保持高性能， cohort B因样本大更稳定；准确率先骤升后平顶，增特征无益。结论为精简面板减复杂成本且不损预测。"Gini index–VIP scores alignment in m/z feature selection"小节比对RF-Gini与PLS-DA VIP各Top25，队列A重叠10个、队列B重叠12个且多居高位；MetaboAnalyst内RF排位亦参与交叉验证。结论为树基非线性与投影线性两异框架趋同，重叠m/z系稳定判别信号非方法假象。"Validation of reduced m/z feature panels"小节以SVM/LR训Top25（Gini或VIP选），队列B Gini-SVM准确率98%、F1 99%，队列A VIP-LR准确率90%、F1 94%；混淆矩阵显示Gini面板对角线更强。结论为所选m/z跨模型可迁移，RF-Gini更适高维小样本。
讨论与结论部分，研究人员指出年龄等在队列A有组间差且缺个体级协变量故未能校正，为回顾性局限，面板应视作假说性判别特征集而非临床验证标志物；两队列未合并、无跨批校正，比较意在方法鲁棒性非同面板跨平台复现。结论翻译：本研究显示监督机器学习结合非靶向UHPLC–QTOF–ESI?尿代谢组学，能在两独立不同色谱流程队列间可重复区分BC与对照；尽管特征维度异（224对129 m/z），RF获队列A测试准确率86.7%、队列B 94.4%，ROC-AUC队列A 0.96、队列B近1.00（严格防漏验证下）。队列B跨划分更稳，缘其样本大、类平衡佳、代谢分离清。核心优势为同一RF框架（防漏训练、Gini排位、结构化验证）跨分析异队列得可比高性能，证方法可迁移。RF嵌式Gini降维至每队列25 m/z后性能不减，较PCA/PLS-DA等投影法保特征身份且捕非线性交互；RF-Gini与MetaboAnalyst PLS-DA VIP显著重叠佐证跨框架一致。该统一防漏监督树基策略为独立非靶向代谢组平台提供稳定分类与可解释降维，夯实代谢组学生物标志物发现与临床验证分析基础。论文发表于《ANALYTICAL AND BIOANALYTICAL CHEMISTRY》。
