从大类到分层分子亚型的肿瘤分类:面向精准肿瘤学的可解释层次化框架

由 root 提交于 周五, 11/06/2026 - 16:47
摘要

精确的肿瘤亚型分类对于指导个体化治疗、表征肿瘤异质性以及研究分子机制具有重要意义。然而,现有大多数多标签分类模型采用扁平化架构,未能充分利用肿瘤类型之间固有的层级关系和生物学约束,限制了其在复杂、细粒度泛癌分类中的性能与可解释性。在此,我们提出了基于癌症标志特征的层级递归模型(Hallmark-based Hierarchical Recursive Model,HHRM),用于泛癌层级多标签分类。HHRM 将层级标签结构与递归神经网络相结合,能够同时建模从宽泛癌症类别到具体亚型的多层级依赖关系。我们在一个包含 11,476 个样本的综合性泛癌队列上训练了该模型,该队列涵盖 26 种原发癌症类型和 405 种亚型,层级深度最多达八级。HHRM 在层级肿瘤亚型预测中取得了 0.7924 的准确率,并在包含 887 个样本的验证数据集上接受了进一步评估。与其他层级建模框架相比,HHRM 在全部三种输出模式下均取得了更高的准确率。消融实验表明,替换基于癌症标志特征的图卷积网络会降低模型性能。在包含 1,608 个乳腺癌样本的独立数据集上,HHRM 的准确率也超过了 0.86。最后,我们将 SHAP 与基于网络的方法相结合,对肿瘤层级结构中不同层级的预测基因进行排序和分析,识别出了已知及潜在的新型癌症诊断生物标志物。总之,据我们所知,HHRM 是首个用于多层级肿瘤亚型分类的层级模型。其具有竞争力的性能,结合结合事后生物学解释,提示其在癌症精准诊断中具有潜在价值。

从肿瘤大类到层级分子亚型的分类:面向精准肿瘤学的可解释层级框架 | bioRxiv

跳转至主要内容

首页

关于

投稿

提醒 / RSS

搜索此关键词

高级搜索

最新结果

从肿瘤大类到层级分子亚型的分类:面向精准肿瘤学的可解释层级框架

Qing

Song

,

Fei

Liu

,

查看 ORCID 个人资料

Xin

Lai

doi:

https://doi.org/10.64898/2026.10.30.761789

Qing Song

1

华南理工大学,中国广州;

在 Google Scholar 上查找此作者

在 PubMed 上查找此作者

在本站搜索此作者

Fei Liu

1

华南理工大学,中国广州;

在 Google Scholar 上查找此作者

在 PubMed 上查找此作者

在本站搜索此作者

Xin Lai

2

坦佩雷大学

在 Google Scholar 上查找此作者

在 PubMed 上查找此作者

在本站搜索此作者

Xin Lai 的 ORCID 记录

通信联系:

xin.lai{at}tuni.fi

摘要

信息/历史

指标

数据/代码

预览 PDF

摘要

精确的肿瘤亚型分类对于指导个体化治疗、表征肿瘤异质性以及研究分子机制具有重要意义。然而,现有的多数多标签分类模型采用扁平架构,未能充分利用肿瘤类型之间固有的层级关系和生物学约束,限制了其在复杂、细粒度泛癌分类中的性能和可解释性。在此,我们提出了基于癌症标志性特征的层级递归模型(Hallmark-based Hierarchical Recursive Model,HHRM),用于泛癌层级多标签分类。HHRM 将层级标签结构与递归神经网络相结合,能够同时对多层级依赖关系进行建模

从广泛的癌症类别到具体的亚型。我们在一个涵盖11,476个样本的综合性泛癌队列上训练了该模型,该队列包含26种原发癌症类型和405种亚型,层级深度最多达八级。HHRM在层级肿瘤亚型预测中的准确率达到0.7924,并在包含887个样本的验证数据集上进行了进一步评估。与其他层级建模框架相比,HHRM在全部三种输出模式下均取得了更高的准确率。消融实验表明,替换基于癌症标志特征的图卷积网络会降低模型性能。在一个包含1,608个乳腺癌样本的独立数据集上,HHRM的准确率也超过了0.86。最后,我们将SHAP与一种基于网络的方法相结合,对肿瘤层级中不同层级的预测相关基因进行排序和分析,从而识别出已知及潜在的新型癌症诊断生物标志物。总之,据我们所知,HHRM是首个用于多层级肿瘤亚型分类的层级模型。其具有竞争力的性能与事后生物学解释相结合,表明该模型在癌症精准诊断中具有潜在价值。

利益冲突声明

作者声明不存在利益冲突。

脚注

https://github.com/laixn/HHRM

https://doi.org/10.5281/zenodo.23589666

版权

本预印本的版权持有人为作者/资助方,其已授权bioRxiv永久展示本预印本。

本预印本依据

CC-BY-NC 4.0国际许可协议

提供。

返回顶部

上一篇

发布于2026年11月5日。

下载PDF

数据/代码

电子邮件

感谢您有意帮助传播bioRxiv上的内容。

注意:索取您的电子邮件地址仅用于标识您是本文的发送者。

您的电子邮件地址

*

您的姓名

*

发送

收件人

*

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

从肿瘤大类到层级分子亚型的分类:面向精准肿瘤学的可解释层级框架

邮件主题

(您的姓名)向您转发了 bioRxiv 上的一个页面

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

此问题用于验证您是否为人类访客,并防止自动提交垃圾信息。

分享

从肿瘤大类到层级分子亚型的分类:面向精准肿瘤学的可解释层级框架

Qing

Song

,

Fei

Liu

,

Xin

Lai

bioRxiv

2026.10.30.761789;

doi:

https://doi.org/10.64898/2026.10.30.761789

分享本文:

复制

引用工具

从肿瘤大类到层级分子亚型的分类:面向精准肿瘤学的可解释层级框架

Qing

Song

,

Fei

Liu

,

Xin

Lai

bioRxiv

2026.10.30.761789;

doi:

https://doi.org/10.64898/2026.10.30.761789

文献管理软件格式

BibTeX

Bookends

EasyBib

EndNote(标签格式)

EndNote 8(XML 格式)

Medlars

Mendeley

Papers

RefWorks 标签格式

Ref Manager

RIS

Zotero

推文小组件

Facebook 点赞

Google Plus +1

学科领域

生物信息学

学科领域

所有文章

动物行为与认知

(8164)

生物化学

(19027)

生物工程

(15171)

生物信息学

(45735)

生物物理学

(22958)

肿瘤生物学

(20236)

细胞生物学

(27479)

临床试验

(138)

发育生物学

(14221)

生态学

(21517)

流行病学

(2067)

进化生物学

(25914)

遗传学

(16430)

基因组学

(23958)

免疫学

(19155)

微生物学

(43456)

分子生物学

(18465)

神经科学

(95743)

古生物学

(717)

病理学

(3060)

药理学与毒理学

(5247)

生理学

(8330)

植物生物学

(16369)

科学传播与教育

(2122)

合成生物学

(4673)

系统生物学

(10444)

动物学

(2436)

关键词:泛癌分子分型 · 层级多标签分类 · 递归神经网络 · 图卷积网络 · 模型可解释性 · 诊断生物标志物

原文链接:https://www.biorxiv.org/content/10.64898/2026.10.30.761789v1?rss=1