基于注意力加权联合变分自编码器的女性癌症可解释多模态分子亚型发现方法STRIVE

《Frontiers in Bioinformatics》：STRIVE: interpretable multimodal subtype discovery in Women’s cancers using an attention-weighted joint variational autoencoder

　　

摘要 背景： 乳腺癌、子宫内膜癌和宫颈癌面临一个共同的挑战：单一模态分析无法完全解决其分子异质性。基因表达和DNA甲基化捕获了不同且部分不重叠的调控程序，然而大多数亚型分类框架要么独立处理它们，要么在不考虑模态特异性噪声和尺度的情况下合并它们。 目的： 开发一个可解释的多模态框架，整合转录组和表观基因组信号，用于原则性的分子亚型发现和分子患者分层，并在女性癌症中探索性评估其结果关联性。 方法： 研究人员开发了STRIVE（Stratification via Integrated Variational Embeddings），一种基于注意力的联合变分自编码器（joint VAE），它学习模态感知嵌入，将它们融合到一个共享潜在空间中，并支持事后（post hoc）特征归因。亚型通过在潜在嵌入上进行K-means聚类定义，使用标准化均值差（SMD）（q < 0.05）推导聚类定义特征，并通过多个分类器上的置换特征重要性（PFI）评估亚型内的生存预测。 结果： 在TCGA-BRCA（n = 866）中，STRIVE识别出六个具有一致多模态特征的分子亚型，其中DNA甲基化特征在特定聚类特征中显著体现。亚型内生存状态预测性能在不同分类器和亚型间表现不一。在TCGA-UCEC（n = 454）和TCGA-CESC（n = 296）中的重复验证重现了关键特征模式，DNA甲基化特征在特定聚类特征中显著体现，且UCEC中的预测性能比CESC更稳定。 结论： STRIVE证明，注意力加权的多模态整合能够揭示分子上一致的亚型，在这些亚型中，聚类定义的特征经常包含表观基因组特征，而这种结构是单模态方法会掩盖的。这些发现使STRIVE成为多模态分子分层和未来评估亚型特异性临床关联的一个框架。

论文解读：STRIVE——基于注意力加权联合变分自编码器的女性癌症可解释多模态分子亚型发现

一、研究背景与问题提出

乳腺癌（BRCA）、子宫内膜癌（UCEC）和宫颈癌（CESC）等严重影响女性的癌症，其特征是肿瘤生物学、临床病程和治疗反应方面存在显著的个体间异质性。虽然癌症基因组图谱（TCGA）等项目实现了跨分子层的系统性分析，但将这些高维测量数据转化为稳健、可解释并能指导预后和治疗的分子亚型仍然是一个持续的挑战。

当前的多组学整合方法面临两大障碍。其一，经典降维方法（如PCA、ICA、NMF）无法自然处理转录组与表观基因组组合时产生的噪声、尺度和稀疏性差异。非线性嵌入方法（如t-SNE、UMAP）虽能改善复杂表型的可视化，但对超参数敏感，且并非为原则性的多模态融合而设计。变分自编码器（VAE）为学习跨组学层的共享潜在结构提供了概率框架，但多数方法要么不加区分地合并模态信号而不考虑其不同的信息量，要么产生难以追溯回特定分子特征的潜在表征。其二，无监督聚类很少以系统方式针对有临床意义的终点进行验证，使得难以判断发现的亚型是否具有真实的预后价值或反映技术变异。因此，亟需一种能显式处理模态特异性结构、提供潜在聚类与分子特征之间可解释联系，并直接评估临床相关性的方法。

二、研究内容与结论

为应对上述需求，研究人员开发了STRIVE（Stratification via Integrated Variational Embeddings）。该方法是一种基于注意力的联合VAE，通过学习模态感知嵌入并将其融合到共享潜在空间来实现多模态整合。研究团队将STRIVE应用于TCGA的BRCA（n=866）、UCEC（n=454）和CESC（n=296）三个队列，以识别数据驱动的分子亚型并探索其与预后的关联。

研究得出结论：STRIVE能够揭示分子上一致的亚型，其聚类定义特征频繁包含表观基因组特征，这种结构是单模态方法无法发现的。这确立了STRIVE作为多模态分子分层框架的地位，并为未来评估亚型特异性临床关联奠定了基础。

三、关键技术方法概述

研究人员主要采用了以下几项关键技术方法：

1. 1.
   注意力加权联合变分自编码器（attention-based joint VAE）： 网络架构包含两个独立的注意力块用于模态特异性特征处理，以及一个下游联合VAE编码器用于潜在分布参数化，耦合两个独立的并行解码器用于模态特异性重建。
2. 2.
   模态特异性注意力块： 对每个模态的输入应用一个密集层投影至2048维表征，再通过softmax归一化的分数向量进行元素级相乘，实现样本特异性的软特征门控，优先提取信息量大的特征维度。
3. 3.
   多模态签名识别流程： 包括三个互补的分析：(i) 编码器权重基础的特征贡献分析，确定塑造潜在表征的关键输入特征；(ii) 基因签名识别，通过标准化均值差（SMD）分析（线性模型配合经验贝叶斯方差调节，Benjamini-Hochberg校正q<0.05）鉴定每个聚类的差异化特征；(iii) 置换特征重要性（PFI）分析，使用逻辑回归、随机森林、梯度提升机（GBM）和极端梯度提升（XGBoost）四种分类器，量化各特征在亚型内对生存状态预测的贡献。
4. 4.
   样本队列来源： 所有数据均来自癌症基因组图谱（TCGA），聚焦于乳腺癌（TCGA-BRCA）、子宫内膜癌（TCGA-UCEC）和宫颈癌（TCGA-CESC）三个队列。

四、研究结果

3.1 使用STRIVE进行亚型发现和多模态特征表征

研究人员首先分析了866例具有匹配基因表达、DNA甲基化、生存和表型数据的乳腺癌样本。预处理后，分析特征空间包含344,743个分子变量，涵盖44,341个基因表达特征和300,402个DNA甲基化特征。通过STRIVE对学习到的潜在表征进行K-means聚类，在BRCA中识别出六个分子亚型（聚类），k=6的选择得到了碎石图和轮廓分析的共同支持。六个聚类的样本量大致相当，生存比例范围为79.7%至89.4%，中位生存时间范围为25.0至33.7个月。统计检验表明，六个聚类之间的生存比例或生存时间无显著差异。在病理特征中，仅有AJCC分期（p=0.032）和肿瘤大小（p=0.023）在聚类间存在差异，聚类4-5倾向于富集较大、分期较晚的肿瘤，而聚类1-3则多为早期小肿瘤。研究人员对这些发现持谨慎态度，认为其仅提示与肿瘤负荷的部分关联，而非稳健的临床病理决定因素。

五、讨论与结论总结

讨论部分：

论文在讨论中指出，STRIVE的核心创新在于其注意力加权机制，该机制允许模型在融合前自适应地强调每个模态内部的信息性特征，从而解决了传统方法不加区分合并信号的问题。研究证实，单模态独立聚类（基因表达或DNA甲基化）产生的患者分组一致性较差，这证明了多模态整合的必要性。在BRCA中识别的六个亚型虽然未显示出显著的总体生存差异，但其分子特征具有一致性，且DNA甲基化特征在聚类定义中扮演了重要角色，这凸显了表观基因组信息在揭示单模态方法所掩盖的分子结构方面的价值。在UCEC和CESC队列中的重复验证进一步支持了这些关键模式的稳健性。研究同时承认了局限性，包括亚型与生存的直接关联尚不明确，以及编码器权重分析作为一种线性近似的性质。

研究结论翻译：

STRIVE证明，注意力加权的多模态整合能够揭示分子上一致的亚型，在这些亚型中，聚类定义的特征经常包含表观基因组特征，而这种结构是单模态方法会掩盖的。这些发现使STRIVE成为多模态分子分层和未来评估亚型特异性临床关联的一个框架。