- 8 次围观
引言：受调控性细胞死亡（regulated cell death，RCD）通路深刻影响肿瘤进展与免疫调节。在既往研究中，我们构建了一个综合数据库，用于绘制涵盖33种肿瘤类型、跨越七个多组学层面的25种RCD形式图谱（CancerRCDShiny）。尽管这些预后特征具有较强的风险人群识别能力，但要将其转化为个体化临床工作流程，仍需从广义队列分层转向个体化风险映射。这要求对患者风险的复杂几何景观——生存拓扑（Survival Topologies）——进行建模，以准确捕捉RCD特征的非线性动态。 方法：我们构建了一条泛癌种多组学SuperLearner流程，用于评估33种癌症类型。第一阶段进行零泄漏数据协调与组内插补，以防止跨队列混合。第二阶段采用弹性网络正则化Cox回归（CoxNet）作为符合审计要求的CANARY诊断工具，用于刻画数学上的比例风险失效。满足严格35%拓扑缺失性阈值的可接受分层进入第三阶段，在该阶段部署先进的非线性四元基础学习器集成模型［随机生存森林（Random Survival Forests，RSF）、极端梯度提升（XGBoost）、隔离式Survival-Boruta以及多任务逻辑回归（Multi-Task Logistic Regression，MTLR）］，并通过弹性网络多视图元学习器（Multi-View Meta-Learner，MVL）进行融合，同时借助事后Shapley加性解释（SHAPley Additive exPlanations，TreeSHAP）与局部可解释模型无关解释（Local Interpretable Model-agnostic Explanations，LIME）保证局部可解释性。 结果：CANARY诊断从经验上证明了泛癌种几何比例风险结构的无效性。在将96个经验证矩阵推进至四元机器学习集成后，第三阶段实现了结构性算法位移：致密的连续多组学拓扑在多维竞争中于计算上抑制了静态基因组突变和拷贝数变异（Copy Number Variations，CNVs）（顶点保留率分别为85.7%与0.0%）。此外，MVL稳定了面对极端生物学变异时的全局预测，而替代性LIME验证（R平方quique{at}uenf.br
摘要 信息/历史 指标 补充材料 数据/代码 PDF 预览
摘要
引言：受调控细胞死亡（RCD）通路深刻影响肿瘤进展与免疫调节。在先前工作中，我们构建了一个综合数据库，对33种肿瘤类型中涵盖七个多组学层面的25种RCD形式进行了系统映射（CancerRCDShiny）。尽管这些预后特征具有较强的风险人群识别能力，但要将其转化为个体化临床工作流程，则需要从广义队列分层转向个体化风险映射。这要求对患者风险的复杂几何景观——生存拓扑（Survival Topologies）——进行映射，以准确捕捉RCD特征的非线性动态。
方法：我们构建了一条泛癌种多组学SuperLearner流程，对33种癌症类型进行评估。第一阶段执行零泄漏数据协调与分组插补，以防止跨队列混合。第二阶段采用弹性网络正则化Cox回归（CoxNet）作为符合审计要求的CANARY诊断工具，用于识别数学上的比例风险失效。满足严格35%拓扑缺失性阈值的可接受分层进入第三阶段，在该阶段部署先进的非线性四部件基础学习器集成（随机生存森林（RSF）、极端梯度提升（XGBoost）、隔离式Survival-Boruta和多任务逻辑回归（MTLR）），并将其融合于一个弹性网络多视图元学习器（MVL）中，同时通过事后SHAP加性解释（TreeSHAP）和局部可解释的模型无关解释（LIME）保证局部可解释性。
结果：CANARY诊断从经验上证明了泛癌种几何比例风险结构的无效性。将96个经验证矩阵推进至四部件机器学习集成后，第三阶段实现了结构性算法位移：在多维竞争过程中，稠密连续的多组学拓扑在计算上压制了静态基因组突变和拷贝数变异（CNV）（顶峰保留率分别为85.7%与0.0%）。此外，MVL稳定了全局预测，使其不受极端生物学变异影响，而替代性LIME验证（R平方
结论：持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。 本文依据 CC-BY-NC-ND 4.0 国际许可协议 提供。
查看讨论主题。
返回顶部
上一篇
下一篇
发表于 2026 年 6 月 2 日。
下载 PDF
补充材料
数据/代码
电子邮件
感谢您有兴趣传播 bioRxiv。
您的电子邮件 *
您的姓名 *
发送至 *
请输入多个地址，每行一个，或用逗号分隔。
您将通过电子邮件发送以下内容
用于调控性细胞死亡生存拓扑的泛癌种多组学 SuperLearner
邮件主题
（您的姓名）已从 bioRxiv 向您转发一个页面
邮件正文
（您的姓名）认为您可能希望查看 bioRxiv 网站上的此页面。
您的个人留言
验证码
此问题用于测试您是否为人工访问者，并防止自动垃圾信息提交。
分享
用于调控性细胞死亡生存拓扑的泛癌种多组学 SuperLearner
Emanuell Rodrigues de Souza ， Higor Almeida Cordeiro Nogueira ， Victor dos Santos Lopes ， Enrique Medina-Acosta
bioRxiv 2026.05.29.728842； doi： https://doi.org/10.64898/2026.05.29.728842
分享本文： 复制
引文工具
用于调控性细胞死亡生存拓扑的泛癌种多组学 SuperLearner
Emanuell Rodrigues de Souza ， Higor Almeida Cordeiro Nogueira ， Victor dos Santos Lopes ， Enrique Medina-Acosta
bioRxiv 2026.05.29.728842； doi： https://doi.org/10.64898/2026.05.29.728842
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.05.29.728842v1?rss=1
🏷️ 泛癌多组学 调控性细胞死亡 生存分析 超级学习器 预后建模 可解释机器学习