CNet-Cox方法用于可解释的网络生物标志物发现以及精准乳腺癌预后中的生存风险评分

《npj Digital Medicine》：CNet-Cox for interpretable network biomarker discovery and survival risk scoring in precise breast cancer prognosis

　　

摘要

在生物医学领域，生物标志物的发现通常被视为特征选择过程，但大多数方法忽略了基因在调控相互作用网络中的共定位现象，从而导致获得的生物标志物孤立且生物学解释性和临床应用性有限。在此，我们提出了CNet-Cox这一方法。该方法不依赖于特定疾病类型，基于连接网络的正则化Cox比例风险模型，将网络连接性信息纳入特征选择过程中，以识别具有预测价值的基因模块。将该方法应用于乳腺癌研究后，CNet-Cox揭示了68个与生存期相关的生物标志物的网络结构（数据来源于TCGA，样本量n=1080），并在内部测试数据集上获得了0.913的一致性指数，表现优于传统的正则化Cox模型。基于这些网络生物标志物，我们构建了一个六基因预测风险评分（PRS），并在七个独立的转录组数据集（GEO，n=1602）以及一个空间转录组数据集（Visium，4992个样本点）中验证了其稳健性。PRS显著提升了风险分层效果（对数秩检验p值<0.05），并且在空间预后分析中与MammaPrint模型的预测结果高度一致（皮尔逊相关系数r=0.993）。尽管CNet-Cox最初是为乳腺癌研究开发的，但它可轻松扩展到其他疾病、分子相互作用网络和事件发生时间终点，为数字病理学和精准肿瘤学研究提供了通用工具。总体而言，我们的综合分析表明，CNet-Cox提供了一种基于网络信息的新型生存模型，能够系统地发现相互关联的生物标志物，并实现可扩展、精确且易于解释的风险预测。