基于深度学习的电化学生物传感器集成多组学框架，用于精准检测口腔癌

《Microchemical Journal》：Deep learning-guided electrochemical biosensor-integrated multi-omics framework for precision oral cancer detection

　　

• •
  开发了一个多模态深度学习框架，将电化学生物传感器信号与转录组学、蛋白质组学和代谢组学数据集成，用于精确诊断口腔鳞状细胞癌（OSCC）。
• •
  该框架在OSCC检测中表现出高诊断性能，准确率为96.8%，敏感度为95.6%，特异性为97.5%，AUC值为0.987。
• •
  该框架结合了基于CNN的生物传感器分析、基于GRU的组学学习和双重注意力特征融合，采用联邦学习架构。
• •
  通过注意力机制和基于SHAP的可解释AI分析，识别出关键生物标志物，包括IL-6、VEGF、MMP-9和EGFR。
• •
  该框架能够实现早期OSCC的准确预测（94.5%）和复发风险评估（90.2%），适用于微创精准肿瘤学应用。

引言

口腔鳞状细胞癌（OSCC）是头颈部最常见的恶性肿瘤之一，其早期检测和有效治疗面临重大挑战[1][2]。OSCC是全球癌症相关发病率和死亡率的重要原因，患者的生存率在很大程度上取决于诊断时的阶段[36]。传统的诊断方法如临床检查、组织病理学和成像通常在疾病晚期才发现它，此时治疗选择有限且预后较差，而早期OSCC往往没有症状[18]。此外，OSCC肿瘤在分子层面具有异质性，这进一步强调了需要敏感、特异且无创的诊断方法以实现早期发现[37]。

分子谱型技术显示，OSCC的进展与多个生物学层面的广泛变化有关[15]，从转录组学到蛋白质组学和代谢组学，单一模式的分析在捕捉驱动OSCC的复杂相互连接的分子事件方面存在局限性，因此使用多组学数据集可以全面理解肿瘤生物学，识别稳健的生物标志物，并提高早期检测和风险分层的预测准确性[22]。

电化学生物传感器已被证明对从微创生物样本（如唾液和血液）中识别分子生物标志物具有高度敏感性[33]、特异性和快速性，并通过纳米材料（如金纳米粒子-还原氧化石墨烯[AuNP/rGO]电极）成功实现功能化，这些电极能够选择性地捕获临床相关的生物标志物（如白细胞介素-6 [IL-6]、血管内皮生长因子 [VEGF] 和基质金属蛋白酶-9 [MMP-9]），并通过差分脉冲伏安法（DPV）和电化学阻抗谱（EIS）产生可测量的电化学信号，反映实时分子相互作用。尽管电化学生物传感器非常灵敏，但它们仅提供特定目标分子的信息，无法捕捉与肿瘤异质性相关的更广泛的分子图谱[10]。

深度学习方法也可以为异构数据集的整合和分析提供强大的解决方案[12]，其中CNN从电化学信号中提取空间和形态模式，GRU模拟转录组学、蛋白质组学和代谢组学数据的时间和顺序依赖性，而注意力机制则能够识别预测能力最强的生物标志物[25]。通过深度学习结合电化学生物传感器的输出和多组学特征，可以得出关于OSCC存在、分子亚型和复发风险的高度准确、可解释且具有临床意义的预测[24]。

结合电化学和多变量数据通常比单一模式方法更有效。它能为OSCC进展的生物学机制提供洞察[14]，减少重复活检的需要，并支持连续的癌症动态监测，特别是在早期检测和分层以及治疗计划方面[13]。

最近的多模态AI算法建议整合遗传和临床数据来研究口腔癌。Vollmer等人[38]开发了一个基于多模态人工智能的病理基因组学系统，结合了临床、病理和遗传数据来预测OSCC的生存情况，展示了整合多样化数据集的必要性。López-Pintor[39]开发了一个多模态AI系统，将口腔病变图像与临床数据结合，用于早期诊断口腔癌和其他癌症。尽管有这些进展，大多数多模态方法仅结合了成像、临床、病理或基因组数据；电化学生物传感器测量结果和互补的转录组学、蛋白质组学和代谢组学谱型尚未很好地集成到深度学习框架中[40]。我们还需要进一步研究如何在识别早期OSCC、疾病亚型、预测复发等方面发现可解释的生物标志物。所提出的多模态框架使用特定于模式的深度学习、基于双重注意力的特征融合和基于SHAP的可解释性来整合电化学生物传感器数据和多组学数据[41]。

尽管多组学和AI的应用日益增加，但OSCC研究中仍存在多个显著差距。当前的研究有时一次只关注一两个分子层面，或者使用的数据模式集不足以捕捉电化学、转录组学、蛋白质组学和代谢组学所提供的全部信息[42]。具体来说，关于如何在单一深度学习架构中整合电化学生物传感器读数与其他分子组学模式的研究尚不足。此外，现有方法在早期检测OSCC、分类亚型和同时预测复发风险方面表现不佳，而且往往难以区分不同生物标志物和成像模式之间的贡献[43]。由于这些限制，需要一个统一的多模态框架，能够在保持预测准确性和可解释性的同时整合异构的生物传感器和多组学数据。所提出的框架通过特定于模式的深度特征提取、基于双重注意力的多模态融合和基于SHAP的可解释性来整合电化学生物传感器的数据与转录本、蛋白质和代谢物的谱型[44]。这为检测OSCC、表征亚型和评估复发风险提供了全面的方法。表1展示了与最近的多模态人工智能方法的比较。

总之，我们开发了一个基于深度学习的多模态框架，将电化学生物传感器和多组合数据集成在一起，以实现快速、无创、准确、可解释且具有临床转化性的OSCC检测和预测。

章节摘要

材料与方法

本研究提出了一个框架，将电化学生物传感器的输出与转录组学、蛋白质组学和代谢组学数据集成，用于准确检测、分子特征分析和口腔癌的分层，捕捉患者样本中多层分子信息的复杂生化相互作用以及高分辨率的电化学信号，该框架包括三个模块：（i）使用深度学习和多模态集成进行提取和预处理；（ii）

结果与讨论

图1展示了用于检测口腔鳞状细胞癌的多模态深度学习框架。该框架从唾液电化学生物传感器读数开始，接着是RNA测序转录组、质谱蛋白质组学和LC-MS或GC–MS代谢组学。这些不同来源的数据经过标准化、批量效应校正、缺失值填充和噪声过滤以提高数据质量。预处理后，提取特定于模式的特征。

讨论

尽管多模态深度学习系统显示出有希望的诊断结果，但它也存在一些缺点。模型的验证和开发使用了250名中国参与者的单中心队列，这可能限制了其在不同种族群体、地理区域和医疗环境中的应用。需要使用独立的多中心队列进行外部验证，以证明该方法的稳健性、通用性和临床实用性。虽然联邦学习使各中心能够合作

结论与未来展望

本文建议将电化学生物传感器数据与转录组学、蛋白质组学和代谢组学谱型整合起来，用于早期检测口腔鳞状细胞癌（OSCC），对其进行分子亚型分类并预测复发。功能化的AuNP/rGO电极检测到了IL-6、VEGF和MMP-9，多组学谱型提供了代谢和分子数据。所提出的多模态深度学习架构使用CNN处理电化学信号，RNN处理组学数据，以及双重注意力方法进行处理

伦理审批和同意

本研究未涉及人类参与者或动物实验。

CRediT作者贡献声明

Bing Xia： 数据整理、概念化。Yizhuo Shu： 方法学、调查。Chengcheng Jiang： 监督、调查。Jiexin Lin： 可视化、验证。Xin He： 软件、资源。Tao Hong： 写作 – 审稿与编辑、初稿撰写。

资金

本研究未获得任何资助。

利益冲突声明

作者声明他们没有已知的可能影响本文工作的竞争性财务利益或个人关系。

Bing Xia|Yizhuo Shu|Chengcheng Jiang|Jiexin Lin|Xin He|Tao Hong