《Computational Biology and Chemistry》：In Silico Identification of Robust Stage-Specific Gene Signatures in Neuroblastoma: Integrating Microarray Meta-Analysis with Machine Learning and Cross-Platform Validation
编辑推荐：
•整合四个独立的神经母细胞瘤芯片队列，使用基于 limma 的荟萃分析推导与分期相关的转录特征。•应用三种正交机器学习模型（随机森林、XGBoost、神经网络）收敛于一个稳健的七基因共识特征。•针对 TARGET-NBL 队列验证该七基因特征，证明其在不同平台间仍具有预后相关
- •
整合四个独立的神经母细胞瘤芯片队列，使用基于 limma 的荟萃分析推导与分期相关的转录特征。
- •
应用三种正交机器学习模型（随机森林、XGBoost、神经网络）收敛于一个稳健的七基因共识特征。
- •
针对 TARGET-NBL 队列验证该七基因特征，证明其在不同平台间仍具有预后相关性。
- •
经过严格的临床校正后，识别出三个核心基因（CD1E、GABARAPL1 和 TCF7L2）为独立的生存标志物。
- •
突出 TCF7L2 作为统计学与机器学习框架之间的关键交汇点，提示其作为神经母细胞瘤进展的可重复驱动因素。
引言
神经母细胞瘤（NB）是儿童最常见的颅外实体恶性肿瘤之一，起源于交感神经系统的神经嵴细胞。它约占儿童癌症的8-10%，但造成超过10-15%的儿童癌症相关死亡（Maris, 2010; Tsubota和Kadomatsu, 2018）。即使采用包括手术、化疗、放疗、自体造血干细胞移植和免疫治疗在内的多模式治疗，高危患者的五年生存率仍低于50%，表明当前的临床风险分层和治疗策略仍存在显著局限（Pinto等, 2015; DuBois等, 2022）。
在分子水平上，NB表现出显著的异质性。NB衍生自v-myc禽类骨髓瘤病毒癌基因的同源基因（MYCN）扩增被认为是NB中最关键的不良预后因素之一，与肿瘤快速生长、去分化表型和治疗耐药密切相关（Combaret等, 1997; Huang和Weiss, 2013; Chipumuro等, 2022）。间变性淋巴瘤激酶（ALK）突变或扩增是少数可通过小分子酪氨酸激酶抑制剂（TKIs）精确靶向的驱动事件之一，在临床前和早期临床试验中显示出治疗潜力（Carpenter和Mosse, 2012; Trigg和Turner, 2018）。此外，靶向ALK的嵌合抗原受体（CAR）T细胞，尤其是经ALK抑制剂增敏后，提供了强大且无毒的策略，通过靶向ALK癌基因驱动因素来清除NB（Bergaggio等, 2023）。另外，如成对样同源盒2B（PHOX2B）、端粒酶逆转录酶（TERT）和Lin-28同源物B（LIN28B）等基因也参与新生儿肿瘤的发生和恶性进展，反映了NB高度复杂和异质的分子图谱（Diskin等, 2012; Trochet等, 2004; Valentijn等, 2015）。然而，单基因生物标志物往往无法捕捉疾病的完整临床轨迹，需要向多基因整合模型转变。
随着基因表达综合数据库（GEO）和TARGET等大型公共数据库的建立，可以整合和分析大量基因表达和临床数据。通过跨研究和跨平台的数据整合，可以提高生物标志物的统计效力和稳健性（Hoadley等, 2018）。在统计方法方面，线性模型和经验贝叶斯框架构成的微阵列数据线性模型（limma）套件已成为微阵列和RNA测序差异表达分析的标准流程之一（Ritchie等, 2015）。sva套件提供的ComBat方法可以有效校正不同批次和平台引起的系统性偏差，在整合多个转录组数据时广泛应用（Johnson等, 2007; Leek等, 2012）。在预后肿瘤建模中，随机森林（RF）、极端梯度提升（XGBoost）和神经网络（NN）的预测能力越来越被用于解决高维基因组数据的复杂性。RF（Breiman, 2001）和XGBoost（Friedman, 2001; Chen和Guestrin, 2016）因其在小样本队列和非线性关系方面的卓越表现而受到青睐，而NN（LeCun等, 2015）提供了更大的架构灵活性。与SHapley加性解释（SHAP）等解释工具相结合，可以量化外围特征的贡献，从而将这些复杂模型转化为筛选关键临床生物标志物和候选基因的透明框架（Lundberg和Lee, 2017）。
尽管取得了这些进展，但在将高维生物信息学数据转化为在微阵列和临床队列中均能稳定表现的跨平台预后框架方面仍存在差距。在本研究中，我们整合了四个GEO微阵列数据集，建立了NB的综合分子图谱。通过结合基于limma的差异表达分析和机器学习驱动的特征选择（RF、XGBoost和NN），我们试图捕捉共识生物标志物面板。由于单个机器学习模型固有地具有不同的归纳偏差，跨不同算法结构推导共识基因集可最大限度地减少模型特定的伪影，并显著提高特征稳定性和跨队列可重复性。
章节摘要
GEO微阵列数据集的检索与处理
从GEO数据库（Edgar等, 2002）下载四个GEO数据集（149个样本，涵盖四个批次和五个临床分期：1、2、3、4和4S）的原始微阵列表达数据和相应临床元数据（Valentijn等, 2015; Lastowska等, 2007; J.-L.I. Bourdeaut等, 2009; Ohtaki等, 2010），并使用R 4.5.1（R Core Team, 2019）中的GEOquery包（Davis和Meltzer, 2007; Foong, 2022）进行预处理。基因水平的计数矩阵经过过滤，以移除低表达
策略
图1展示了工作流程。首先，使用相同的微阵列分析平台GPL570，从GEO数据库收集四个NB研究（DEGs），共计149个样本（表1）。这些样本经过合并、过滤、校正和批次效应去除，最终得到35,131个基因。主成分分析证明了批次效应的有效去除，不同批次的样本在降维空间中充分混合。此外，4期样本大多
讨论
本研究整合了四个公开可用的GEO NB微阵列数据集，在批次效应校正后，结合DEG分析与三种机器学习模型（RF、XGBoost和NN），将该图谱精炼为一个在异质算法和数据集中仍具信息量的紧凑共识特征。使用来自TARGET-NBL队列的独立表达数据，我们进一步检验了临床相关性并提出了潜在的预后因素。
首先，在DEG分析中，交集分析
结论
本研究整合了四个神经母细胞瘤转录组数据集，以识别与4期疾病相关的稳健基因特征。DEG分析鉴定了632个分期相关基因，而跨RF、XGBoost和NN的共识特征选择得出了一个紧凑的七基因面板。在独立的TARGET队列中，DEG衍生的特征显示出最强的预后相关性，三个共识基因与总生存显著相关。综合而言，这些发现
资金
本工作由科技部（NSTC）资助（NSTC 115-2314-B-212-002）。
CRediT作者贡献声明
Wu Yao-Chong：数据整理。Kuo Jimmy：调查、概念化。Liu Daniel：调查、数据整理、概念化。Lin Chorng-Horng：写作—审阅与编辑、写作—初稿、概念化。Huang An Rong：数据整理。Hsieh Shang-Yu：数据整理。
利益冲突声明
作者声明不存在可能影响本文工作的已知财务利益或个人关系。
致谢
使用了人工智能工具（包括Perplexity和Gemini）辅助语言编辑和文献检索。所有研究设计、数据分析和最终结论均由作者完成并验证。
数据可用性
支持本研究发现的分析脚本（R和Python）以及数据处理工作流程已存入Zenodo（DOI: 10.5281/zenodo.21830124），可自由访问，以确保完全的 computational 可重复性。
Daniel Liu|Jimmy Kuo|Yao-Chong Wu|Shang-Yu Hsieh|An Rong Huang|Chorng-Horng Lin
