- 3 次围观
基于体细胞突变数据对单个癌症患者进行准确的分子分型，仍是精准肿瘤学研究中的一项挑战。现有的基于网络的分层（NBS）方法将所有突变一视同仁，需要对完整队列进行批量处理，且未能证明其无需重新训练即可推广至独立数据集。为解决这一问题，我们提出了基于自适应网络传播的变异解读方法（VARION），该方法将人群水平的变异约束评分与蛋白质—蛋白质相互作用（PPI）网络拓扑相结合。自适应拓扑感知重启随机游走（ATR-RWR）算法根据 {varphi}g = {surd}(GIS(g) x {rho}topo(g)) 对每个突变基因赋权，其中 GIS（基因耐受性评分）反映人群水平的功能约束，并在共享的 PPI 网络中传播；随后，通过计算与 TCGA 推导的参考质心之间的余弦相似度进行亚型判定，从而实现对单个患者的实时分类。在十个 TCGA 癌症队列（n = 2,417）中，VARION 在卵巢癌（OV）、胶质母细胞瘤（GBM）、胆管癌（CHOL）和胃癌（STAD）中的准确率分别为 77.7%、69.5%、90.2% 和 75.4%。在一项受控基准测试中，将两种替代聚类方法（PyNBS；稠密自编码器）应用于相同的 ATR-RWR 传播矩阵，未能检出显著的驱动基因富集（OR = 1.79 和 1.52，均无统计学显著性）；相比之下，VARION 的 OR = 144.29（p = 1.77x10^-12）。这一结果证实，驱动性能的是 GIS 加权质心架构，而非单独的传播过程；此外，在两个独立队列（ICGC CCA，n = 396；PCAWG，n = 110）中也进一步证实，该方法无需重新训练即可实现泛化（OR = {infty}，p < 5x10^-9）。综上，这些结果表明，VARION 的 GIS 加权质心架构能够实现单个患者的分子分型。其性能优于现有的 NBS 和图学习聚类方法，对具有临床干预价值的罕见亚型具有较高的敏感性，并具备稳健的跨平台泛化能力。
基于体细胞突变数据对单个癌症患者进行准确的分子分型，仍是精准肿瘤学研究面临的一项挑战。现有的基于网络的分层（NBS）方法将所有突变一视同仁，需要对完整队列进行批量处理，且未能证明其无需重新训练即可推广至独立数据集。为解决这一问题，我们提出了自适应网络传播变异解读方法（VARION），该方法将群体水平的变异约束评分与蛋白质–蛋白质相互作用（PPI）网络拓扑结构相结合。自适应拓扑感知重启随机游走（ATR-RWR）算法依据 φg = √(GIS(g) × ρtopo(g)) 对每个发生突变的基因赋权；其中，GIS（基因不耐受评分）反映群体水平的功能约束，并通过共享的 PPI 网络进行传播。随后，利用与 TCGA 推导的参考质心之间的余弦相似度进行亚型判定，从而实现对单个患者的实时分类。在十个 TCGA 癌症队列（n = 2,417）中，VARION 对卵巢癌（OV）、胶质母细胞瘤（GBM）、胆管癌（CHOL）和胃癌（STAD）的准确率分别达到 77.7%、69.5%、90.2% 和 75.4%。在一项受控基准测试中，我们将两种替代聚类方法（PyNBS；密集自编码器）应用于相同的 ATR-RWR 传播矩阵，结果均未检出显著的驱动基因富集（OR 分别为 1.79 和 1.52，差异不显著）；相比之下，VARION 的 OR 为 144.29（p = 1.77 × 10⁻¹²）。这证实，推动性能提升的是 GIS 加权的质心架构，而非单纯的网络传播。此外，在两个独立队列（ICGC CCA，n = 396；PCAWG，n = 110）中，无需重新训练即可实现的泛化能力也得到了进一步验证（OR = ∞，p < 5 × 10⁻⁹）。总之，这些结果表明，VARION 的 GIS 加权质心架构能够实现单患者分子分型，其表现优于
现有的 NBS 和图学习聚类方法，并对具有临床干预价值的罕见亚型具有较高的敏感性，同时具备稳健的跨平台泛化能力。
作者声明不存在利益冲突。
感谢您有意传播 bioRxiv 的内容。
注意：我们索取您的电子邮件地址，仅用于确认您是本文的发送者。
关键词：癌症分子分型 · 体细胞突变 · 网络传播 · 蛋白质互作网络 · 精准肿瘤学
原文链接：https://www.biorxiv.org/content/10.64898/2026.09.11.751075v1?rss=1