A Knowledge Graph-Guided Transcriptomic Framework Identifies a 22-Gene Prognostic Signature for Cervical Cancer

Resumen Técnico: Un marco de transcriptómica guiado por grafos de conocimiento para el pronóstico del cáncer cervical

Planteamiento del problema
La estratificación de riesgo actual para el cáncer cervical se basa en gran medida en factores clinicopatológicos, como el estadio FIGO y el estado de los ganglios linfáticos. Estas herramientas no logran capturar la heterogeneidad molecular subyacente de la enfermedad, lo que a menudo conduce a un tratamiento excesivo o insuficiente. El descubrimiento convencional de biomarcadores transcriptómicos suele basarse únicamente en el análisis de expresión diferencial, lo que genera miles de candidatos. Estos candidatos son frecuentemente asociaciones pancáncer que carecen de especificidad para la enfermedad y a menudo fallan en la validación independiente. Existe una necesidad crítica de un marco que integre el conocimiento biológico previo con datos transcriptómicos empíricos para identificar biomarcadores pronósticos robustos y específicos de la enfermedad.

Metodología
Los autores proponen un marco de dos filtros que combina la especificidad de la incrustación (embedding) de Grafos de Conocimiento (KG) con la expresión diferencial transcriptómica.

1. Construcción e incrustación del Grafo de Conocimiento:

   • El estudio utilizó PrimeKG, un grafo de conocimiento biomédico integral que integra datos de más de 20 bases de datos (p. ej., NCBI Gene, DrugBank, DisGeNET).
   • Se construyó un subgrafo específico de cáncer cervical extrayendo entidades y relaciones asociadas con el cáncer cervical (MeSH ID: D002583), lo que resultó en aproximadamente 15,742 entidades y 284,613 relaciones.
   • Evaluación del modelo: Se evaluaron sistemáticamente diez modelos de incrustación de grafos que abarcan cuatro paradigmas arquitectónicos (traslacional, rotacional, bilineal y compuesto) utilizando el marco PyKEEN. Los modelos incluyeron TransE, TransH, RotatE, DistMult, ComplEx, RESCAL, SimplE, PairRE y ermlpe.
   • Métrica de especificidad: A diferencia de las evaluaciones tradicionales que dependen únicamente de métricas de predicción de enlaces (MRR, Hits@K), los autores introdujeron un Marco de Especificidad Basado en Z-Score. Esta métrica compara la puntuación de predicción de un gen para el cáncer cervical contra la media y la desviación estándar de sus puntuaciones en diez tumores sólidos de fondo (p. ej., mama, pulmón, colorrectal). El modelo ComplEx fue seleccionado para el análisis posterior porque demostró la mayor especificidad para el cáncer cervical (Z-score de la media del Top 100 = 4.19), a pesar de que SimplE logró el mayor rendimiento general de predicción de enlaces.

2. Filtrado de genes candidatos:

   • Filtro 1 (Especificidad de KG): Los genes se seleccionaron si cumplían con un umbral de significancia en la predicción del KG ($Z \ge 1.645$, correspondiente al ~5% superior de la distribución, $P < 0.05$).
   • Filtro 2 (Transcriptómica): El análisis de expresión diferencial se realizó en los datos TCGA-CESC (304 muestras tumorales) combinados con muestras de tejido normal (3 TCGA + 10 GTEx) utilizando DESeq2. Los genes significativos se definieron como aquellos con un $P$ ajustado $< 0.05$ y $|log_2FC| > 1$.
   • Intersección: La intersección de los candidatos predichos por KG y los genes expresados diferencialmente arrojó 476 genes candidatos de alta confianza.

3. Desarrollo de la firma pronóstica:

   • Utilizando la cohorte TCGA-CESC ($n=250$, 50 eventos), los autores abordaron la baja relación evento-variable (50 eventos frente a 449 genes disponibles), evitando LASSO-Cox, que no convergió de manera estable.
   • En su lugar, se empleó un enfoque de puntuación de riesgo ponderada Top-K con validación cruzada. Partiendo de 35 genes con $P$ univariante $< 0.10$, se evaluaron modelos que van desde $K=1$ hasta $K=30$ genes mediante validación cruzada de cinco pliegues (five-fold).
   • El tamaño óptimo del modelo se determinó en $K=22$, maximizando el C-índice medio de validación cruzada.
   • La puntuación de riesgo se calculó como la suma ponderada de los valores de expresión estandarizados por Z basados en los coeficientes de Cox univariante.

4. Validación:

   • Validación interna: Se realizó dentro de TCGA-CESC mediante análisis de subgrupos (por estadio, estado de ganglio linfático, histología, geografía), análisis de AUC dependiente del tiempo (1–5 años) y pruebas de permutación (1,000 permutaciones) para descartar el sobreajuste.
   • Validación biológica externa: La firma se aplicó al conjunto de datos GSE52903 (plataforma Affymetrix, 55 tumores, 17 normales). Aunque no se disponía de datos de supervivencia, el estudio evaluó las diferencias en las puntuaciones de riesgo entre tejidos tumorales y normales.
   • Análisis multivariable: Se ajustó por edad y estadio FIGO para evaluar la independencia.

Resultados clave

• Selección del modelo: El modelo ComplEx superó a los demás en especificidad de la enfermedad, con un Z-score de la media del Top 100 de 4.19, en comparación con el 1.04 de SimplE. Esto confirmó que la puntuación bilineal de valores complejos captura mejor las relaciones direccionales enfermedad-gen.
• Rendimiento de la firma: La firma de 22 genes derivada estratificó con éxito a los pacientes en grupos de alto y bajo riesgo en la cohorte TCGA-CESC.
  • Discriminación: Log-rank $P = 6.33 \times 10^{-10}$.
  • C-Índice: C-índice de entrenamiento = 0.816; C-índice medio de bootstrap = 0.816 (95% CI: 0.762–0.865).
  • Independencia multivariable: En el análisis de Cox multivariable, la puntuación de riesgo siguió siendo un predictor significativo de la mortalidad (HR = 2.23 por incremento de 1 DE, 95% CI: 1.67–2.96, $P < 0.0001$), mientras que la edad y el estadio FIGO no fueron estadísticamente significativos en este contexto de modelo específico.
  • Robustez: La firma mantuvo una alta discriminación en pacientes con Estadio I (C-índice = 0.815) y en los subgrupos con y sin afectación de ganglios linfáticos.
  • Precisión temporal: El AUC medio dependiente del tiempo a 5 años fue de 0.829.
• Validación externa: En GSE52903, todos los 22 genes se mapearon con éxito. La firma mostró puntuaciones de riesgo significativamente menores en tejido normal en comparación con el tejido tumoral ($P = 0.042$), y 15 de los 22 genes exhibieron una expresión diferencial significativa.
• Enriquecimiento funcional: Los 476 genes candidatos se enriquecieron en procesos relevantes para el cáncer, incluyendo la homeostasis de iones de potasio, la señalización de Ras y la dinámica del citoesqueleto. La firma final de 22 genes retuvo genes representativos de estas redes centrales (p. ej., EFNA1, GNG5, DSG2, CKMT1A).

Significado y afirmaciones
El artículo afirma introducir la primera comparación sistemática de diez modelos de incrustación de grafos de conocimiento específicamente para el descubrimiento de genes en el cáncer cervical, yendo más allá de las métricas estándar de predicción de enlaces hacia un Z-score de especificidad de la enfermedad. La contribución principal es el Marco de Especificidad Basado en Z-Score, que integra la puntuación de especificidad de KG con la transcriptómica para filtrar el ruido pancáncer.

Los autores sostienen que la firma de 22 genes resultante demuestra:

1. Fuerte validez interna: Alta discriminación y estabilidad a través de la validación cruzada y el remuestreo de bootstrap.
2. Independencia del estadio clínico: La capacidad de estratificar el riesgo incluso dentro de pacientes en estadios tempranos (Estadio I), un grupo donde las decisiones de terapia adyuvante son actualmente controversiales.
3. Coherencia biológica: La firma está fundamentada tanto en el conocimiento biológico previo (KG) como en los datos de expresión empírica, con un enriquecimiento funcional que respalda su relevancia para las vías del cáncer cervical.

El estudio concluye que este enfoque impulsado por KG ofrece una vía prometedora para identificar biomarcadores pronósticos que sean tanto biológicamente plausibles como clínicamente accionables, guiando potencialmente las decisiones de terapia adyuvante. Los autores reconocen las limitaciones, incluyendo la dependencia de una única cohorte de entrenamiento (TCGA-CESC) y la falta de una cohorte externa independiente con anotación de supervivencia, señalando que el trabajo futuro debe priorizar la validación prospectiva en entornos multicénticos.