精准医学基因网络分析器(Precision Medicine Gene Network Analyser)：第一部分——基于网络拓扑与集成机器学习的癌症驱动基因(Cancer Driver Gene)识别

《Genomics & Informatics》：Precision Medicine Gene Network Analyser: part I—cancer driver gene identification through network topology and ensemble machine learning

　　

摘要：目的 精准肿瘤学(Precision Oncology)依赖于识别癌症驱动基因并将其与靶向治疗相关联。现有方法多采用手工整理基因集或通用分类器，常遗漏复杂基因互作网络中具有生物学意义的模式。方法 研究人员开发了精准医学基因网络分析器(Precision Medicine Gene Network Analyser)，整合网络拓扑分析与机器学习用于癌症基因识别。数据集包含699个癌症驱动基因（来自COSMIC Cancer Gene Census）和15,050个背景基因，映射至STRING数据库的高置信度蛋白质—蛋白质相互作用(Protein–Protein Interaction, PPI)网络（456,300条边，15,749个节点）。提取度(Degree)、介数中心性(Betweenness Centrality)、PageRank、k-core及聚类系数(Clustering Coefficient)等网络特征。提出不平衡感知网络集成器(Imbalance Aware Network Integrator, IANI)以解决类别不平衡问题，将平衡重采样与集成模型（逻辑回归、随机森林、梯度提升）结合使用焦点损失(Focal Loss)的深度神经网络，优化阈值以获取最大F1值。枢纽基因(Hub Gene)定义为超出平均出度＋2×标准差(Standard Deviation, SD)统计阈值的节点。结果 在含3150个样本（140个癌症基因，3010个非癌症基因）的测试集上，优化后集成模型将ROC-AUC从0.84提升至0.96，精确率(Precision)从0.78提升至0.90，召回率(Recall)从0.42提升至0.81（阈值0.466时F1＝0.85）。枢纽分析鉴定出689个枢纽基因，癌症基因富集达四倍（16.1% vs. 4.4%，p＜10?20），具更高介数中心性（p＜0.001）。度(0.32)、介数(0.24)和PageRank(0.19)三大特征贡献模型75%性能。顶级枢纽基因（TP53：758条连接，EGFR：512条，AKT1：415条）显示60–67%癌症基因富集，通路聚于p53信号通路（75%）和细胞周期调控（67.7%）。结论 整合蛋白质互作拓扑与不平稳感知机器学习实现了96%区分准确率。本工作为精准医学基因网络分析器的后续药物—基因映射及患者个体化治疗预测阶段奠定基础。

论文解读：《Genomics》发表——Precision Medicine Gene Network Analyser Part I: 癌症驱动基因识别研究

一、研究背景与立项依据

癌症是一类高度异质性的疾病，传统上被视为孤立基因突变所致，但日益被理解为生物分子网络失调引发的系统性疾病。现有癌症驱动基因(Cancer Driver Gene)识别方法主要包括依赖手工整理的Cancer Gene Census(CGC)、IntOGen数据库，以及基于突变特征的经典算法如20/20+方法和基于图卷积网络(Graph Convolutional Network, GCN)的EMOGI、MTGCN、SGCD、CGMega、IMI-driver等。这些方法存在三方面局限：第一，严重类别不平衡（癌症驱动基因占比＜5%）未被系统性处理，标准机器学习默认0.5决策边界导致少数类召回率极低；第二，多数图神经网络方法未显式引入针对基因组尺度正例稀缺的不平衡校正策略（数据层重采样、模型层损失校准、决策层阈值优化三者统一）；第三，部分方法仅利用突变或多组学特征而忽视蛋白质—蛋白质相互作用(Protein–Protein Interaction, PPI)网络中节点的全局与高阶拓扑属性（如介数中心性、k-core、PageRank等），或未在基因组尺度全PPI网络上验证。由于癌症基因倾向富集于PPI网络的枢纽(Hub)位置，整合网络拓扑特征与不平稳感知机器学习有望突破上述瓶颈。本研究（Phase 1 of Precision Medicine Gene Network Analyser）旨在证明三级不平衡校正框架联合PPI拓扑特征可显著提升癌症驱动基因识别性能，并为后续药物—基因关联映射及个体化治疗推荐奠基。

二、主要关键技术方法概述

研究人员以COSMIC CGC Level 1（v2023）中可映射至STRING v12高置信度网络（combined score ≥ 700）的699个基因为阳性集，15,050个STRING网络中非CGC基因为背景阴性集（正例率约4.4%），构成15,749节点、456,300边的无向PPI网络。从网络中提取8项拓扑特征：度中心性(Degree Centrality)、介数中心性(Betweenness Centrality)、PageRank、k-core数、聚类系数(Clustering Coefficient)、接近中心性(Closeness Centrality)、特征向量中心性(Eigenvector Centrality)及三角计数(Triangle Count)。针对极端类别不平衡提出Imbalance-Aware Network Integrator(IANI)流程：(1)数据层—SMOTE(Synthetic Minority Over-sampling Technique)过采样阳性类＋Latin Hypercube Sampling(LHS)分层欠采样阴性类保留全局分布；(2)模型层—逻辑回归(Logistic Regression)、随机森林(Random Forest)、梯度提升机(Gradient Boosting Machine, GBM)使用类别权重调整，深度神经网络(Deep Neural Network, DNN)采用Focal Loss（γ=2, α=0.25）聚焦难分少数类；(3)决策层—基于精确率—召回率曲线优化F1最大化阈值（τ=0.466），软投票集成各基分类器（权重LR 0.15, RF 0.25, GBM 0.30, DNN 0.30）。训练前严格分层划分训练集(80%)与测试集(20%)，重采样仅用于训练集，五折交叉验证调参。枢纽基因定义为出度＞均值＋2×SD（阈值118.7），鉴定689个Hub。外部验证采用IntOGen 2024独立发现的568个非CGC驱动基因、DepMap CRISPR-Cas9 CERES必要性评分及TCGA中33癌种10,967例生存数据，并进行度匹配随机基线分析控制Hub度效应。

三、研究结果

3.1 Feature Importance and Model Performance（特征重要性与模型性能）

梯度提升树特征重要性显示度中心性(0.32)＞介数中心性(0.24)＞PageRank(0.19)，三者贡献75%预测力，其余5项特征共占25%。优化后集成模型在测试集（140癌/3010非癌）达ROC-AUC 0.96、精确率0.90、召回率0.81、F1=0.85。假阴性癌基因（n=27）度显著更低（85±34 vs. 真阳性142±67, p=0.002）且少为Hub；89个假阳性中非CGC癌基因经文献挖掘40%具近期致癌证据、25%为拓扑Hub、20%特征空间近似已知癌基因，提示真实精确率可能达0.94。ML与拓扑Hub分析一致性78%（87/111癌Hub被正确预测），ML额外发现54个非Hub候选驱动基因。

3.2 Hub Gene Identification and Network Topology（枢纽基因鉴定与网络拓扑）

按mean outdegree＋2×SD界定689个Hub（阈值118.7），其中111个(16.1%)为CGC癌基因 vs. 非Hub中4.0%（OR=4.18, p=2.3×10^?34Bonferroni校正）。癌Hub比非癌Hub具显著更高介数中心性（0.051±0.023 vs. 0.032±0.018, p＜0.001, Cohen's d=0.91），看出癌基因多位于模块间桥接位置。Top Hub：TP53(度758)、EGFR(512)、AKT1(415)；TP53与EGFR最紧邻交互中分别66.7%和60.0%为癌基因（整体邻域癌富集约25–28%），证实癌基因模块内优先互连。

3.3 Pathway Enrichment Analysis（通路富集分析）

Hub基因GO富集最显著条目含细胞周期调控(p=1.2×10^?23)、DNA损伤应答(p=3.4×10^?18)、凋亡过程(p=7.8×10^?16)、信号转导(p=2.1×10^?15)；分子功能富集蛋白激酶活性(p=5.6×10^?20)、DNA结合(p=1.8×10^?18)、转录因子活性(p=9.2×10^?15)，符合癌相关通路的枢纽调控角色。

3.4 External Validation（外部验证）

对568个IntOGen独立驱动基因（排除CGC训练集），模型ROC-AUC=0.91、AUPRC=0.76、召回率0.73、精确率0.84，性能仅略低于内部验证，说明学到普适拓扑模式而非CGC特异常规。DepMap分析显示预测癌基因平均CERES=-0.62±0.31显著低于预测非癌基因(-0.21±0.28, p＜10^?35, Cohen's d=1.38)，68%预测癌基因在≥20%细胞系中为必需基因(vs. 非癌基因15%)。TCGA生存分析：携带预测癌基因突变患者总生存更差（中位OS 42.3月 vs. 68.7月，HR=1.72, p＜10^?12），与CGC训练基因预后影响相当。度匹配随机集癌数据库重叠仅4.4–6.1%，远低于模型预测集之56.4%(CGC)/48.5%(IntOGen)/41.1%(OncoKB)，排除模型仅靠度识别Hub的质疑。

3.5 Functional Validation with FDA-approved Drug Targets（FDA批准药物靶标功能验证）

202个测试集预测癌基因中78个(38.6%)是FDA批准或在研肿瘤药直接靶标（如EGFR、BRAF、CDK4/6、PARP1、NTRK1），远高于预测非癌基因(1.1%, OR=54.2, p＜10^?50)；TCGA中预测癌基因突变频率中位数8.2% vs. 非癌基因1.1%(p＜10^?28)，Top 50高频突变基因中84%被正确预测为癌基因。

3.6 Performance Comparison with Existing Methods（与现有方法比较）

本IANI集成模型ROC-AUC 0.96优于20/20+(~0.85)、EMOGI(AUPRC 0.71)、MTGCN(AUPRC 0.772)、SGCD(AUPRC 0.73–0.88)、IMI-driver(ROC-AUC 0.94)，与CGMega(AUROC 0.963)相当但应用于全基因组尺度更严重不平衡背景(正:负≈1:21.5 vs. 较窄候选空间)，且具显式三级不平衡处理与Hub分析。

四、讨论与结论翻译

讨论指出，本研究证明癌症驱动基因在PPI网络中显著富集于高连接性和高介数的Hub位置（四倍富集，p＜10^?20），支持"必要基因假说(essential genes hypothesis)"。IANI框架在数据、模型和决策三层同时校正类别不平衡，将召回率从0.42提升至0.81而不牺牲精确率，证明Latin Hypercube Sampling欠采样优于随机欠采样。假阳性再审查显示相当比例为近期新发现癌基因或具Hub特征/癌细胞必要性，符合正例—未标记(Positive-Unlabelled, PU)学习假设。局限含STRING PPI为静态泛组织平均网络，未涵盖组织特异性互作；未做癌种分型建模；部分低连接癌基因漏检需未来引入组织特异拓扑或表达特征补救。

结论：本研究完成精准医学基因网络分析器三期计划的第一阶段，确立稳健癌症驱动基因识别计算框架。整合PPI网络拓扑与不平衡感知机器学习获ROC-AUC 0.96、精确率0.90、召回率0.81，ML预测与Hub拓扑判定一致性78%。度中心性、介数中心性及PageRank为主要预测特征，与癌Hub拓扑属性吻合。mean＋2SD界定Hub基因呈四倍癌基因富集及更高介数中心性，为转化研究提供高优先级靶标。本第一阶段成果支撑第二阶段（已识别癌基因—治疗药物关联映射）及第三阶段（患者个体分子谱引导治疗推荐）开展，推动网络信息用于精准肿瘤学临床策略制定。