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

Sintesi Tecnica: Un framework trascrittomico guidato da un grafo di conoscenza per la prognosi del tumore della cervice uterina

Definizione del problema
L'attuale stratificazione del rischio per il tumore della cervice uterina si basa pesantemente su fattori clinicopatologici, come lo stadio FIGO e lo stato dei linfonodi. Questi strumenti non riescono a catturare l'eterogeneità molecolare sottostante della malattia, portando spesso a trattamenti eccessivi o insufficienti. La scoperta convenzionale di biomarcatori trascrittomici si basa tipicamente solo sull'analisi dell'espressione differenziale, che produce miglia di candidati. Questi candidati sono spesso associazioni pan-cancro prive di specificità per la malattia e spesso falliscono la validazione indipendente. Esiste una critica necessità di un framework che integri la conoscenza biologica pregressa con i dati trascrittomici empirici per identificare biomarcatori prognostici robusti e specifici per la malattia.

Metodologia
Gli autori propongono un framework a due filtri che combina la specificità dell'embedding di un Grafo di Conoscenza (KG) con l'espressione differenziale trascrittomica.

1. Costruzione e Embedding del Grafo di Conoscenza:

   • Lo studio ha utilizzato PrimeKG, un grafo di conoscenza biomedica completo che integra dati da oltre 20 database (ad es., NCBI Gene, DrugBank, DisGeNET).
   • È stato costruito un sottografo specifico per il tumore della cervice uterina estraendo entità e relazioni associate al tumore della cervice uterina (MeSH ID: D002583), risultando in circa 15.742 entità e circa 284.613 relazioni.
   • Valutazione del Modello: Dieci modelli di embedding di grafi che spaziano su quattro paradigmi architettonici (traslazionale, rotazionale, bilineare e composito) sono stati valutati sistematicamente utilizzando il framework PyKEEN. I modelli includevano TransE, TransH, RotatE, DistMult, ComplEx, RESCAL, SimplE, PairRE ed ermlpe.
   • Metrica di Specificità: A differenza delle valutazioni tradizionali basate esclusivamente su metriche di link prediction (MRR, Hits@K), gli autori hanno introdotto un Framework di Specificità Basato sul Z-Score. Questa metrica confronta il punteggio di predizione di un gene per il tumore della cervice rispetto alla media e alla deviazione standard dei suoi punteggi attraverso dieci tumori solidi di controllo (ad es., seno, polmone, colon-retto). Il modello ComplEx è stato selezionato per l'analisi a valle perché ha dimostrato la maggiore specificità per il tumore della cervice (Media Z-score Top 100 = 4,19), nonostante SimplE avesse ottenuto le migliori prestazioni generali di link prediction.

2. Filtraggio dei Geni Candidati:

   • Filtro 1 (Specificità KG): I geni sono stati selezionati se soddisfacevano una soglia di significatività nella predizione KG ($Z \ge 1,645$, corrispondente al top ~5% della distribuzione, $P < 0,05$).
   • Filtro 2 (Trascrittomica): L'analisi dell'espressione differenziale è stata eseguita sui dati TCGA-CESC (304 campioni tumorali) combinati con campioni di tessuto normale (3 TCGA + 10 GTEx) utilizzando DESeq2. I geni significativi sono stati definiti avendo un $P$ aggiustato $< 0,05$ e $|log_2FC| > 1$.
   • Intersezione: L'intersezione tra i candidati predetti dal KG e i geni espressi differenzialmente ha prodotto 476 geni candidati ad alta confidenza.

3. Sviluppo della Firma Prognostica:

   • Utilizzando la coorte TCGA-CESC ($n=250$, 50 eventi), gli autori hanno affrontato il basso rapporto evento-variabile (50 eventi vs 449 geni disponibili) evitando LASSO-Cox, che non riusciva a convergere stabilmente.
   • Inveve, è stato impiegato un approccio Top-K weighted risk score con cross-validazione. Partendo da 35 geni con $P$ univariata $< 0,10$, modelli con dimensioni da $K=1$ a $K=30$ geni sono stati valutati tramite cinque-fold cross-validation.
   • La dimensione ottimale del modello è stata determinata essere $K=22$, massimizzando il C-index medio cross-validato.
   • Il punteggio di rischio è stato calcolato come la somma pesata dei valori di espressione z-standardizzati basati sui coefficienti di Cox univariati.

4. Validazione:

   • Validazione Interna: Effettuata all'interno di TCGA-CESC tramite analisi per sottogruppi (per stadio, stato dei linfonodi, istologia, geografia), analisi AUC dipendente dal tempo (1–5 anni) e test di permutazione (1.000 shuffle) per escludere l'overfitting.
   • Validazione Biologica Esterna: La firma è stata applicata al dataset GSE52903 (piattaforma Affymetrix, 55 tumori, 17 normali). Sebbene i dati sulla sopravvivenza non fossero disponibili, lo studio ha valutato i diversi punteggi di rischio tra tessuti tumorali e normali.
   • Analisi Multivariata: È stata corretta per età e stadio FIGO per valutare l'indipendenza.

Risultati Chiave

• Selezione del Modello: Il modello ComplEx ha superato gli altri in termini di specificità della malattia, con un Z-score medio Top 100 di 4,19, rispetto all'1,04 di SimplE. Ciò ha confermato che lo scoring bilineare a valori complessi cattura meglio le relazioni direzionali malattia-gene.
• Performance della Firma: La firma a 22 geni derivata ha stratificato con successo i pazienti in gruppi ad alto e basso rischio nella coorte TCGA-CESC.
  • Discriminazione: Log-rank $P = 6,33 \times 10^{-10}$.
  • C-Index: C-index di addestramento = 0,816; C-index medio bootstrap = 0,816 (95% CI: 0,762–0,865).
  • Indipendenza Multivariata: Nell'analisi di Cox multivariata, il punteggio di rischio è rimasto un predittore significativo di mortalità (HR = 2,23 per incremento di 1 SD, 95% CI: 1,67–2,96, $P < 0,0001$), mentre l'età e lo stadio FIGO non sono stati statisticamente significativi in questo specifico contesto di modello.
  • Robustezza: La firma ha mantenuto un'alta discriminazione nei pazienti in Stadio I (C-index = 0,815) e attraverso i sottogruppi linfonodo-negativi e linfonodo-positivi.
  • Accuratezza Temporale: La media dell'AUC dipendente dal tempo a 5 anni è stata di 0,829.
• Validazione Esterna: In GSE52903, tutti i 22 geni sono stati mappati con successo. La firma ha mostrato punteggi di rischio significativamente più bassi nel tessuto normale rispetto al tessuto tumorale ($P = 0,042$), e 15 dei 22 geni hanno mostrato un'espressione differenziale significativa.
• Arricchimento Funzionale: I 476 geni candidati sono stati arricchiti in processi rilevanti per il cancro, tra cui l'omeostasi degli ioni potassio, la segnalazione Ras e la dinamica del citoscheletro. La firma finale di 22 geni ha mantenuto geni rappresentativi di queste reti centrali (ad es., EFNA1, GNG5, DSG2, CKMT1A).

Significato e Rivendicazioni
L'articolo sostiene di introdurre il primo confronto sistematico di dieci modelli di embedding di grafi di conoscenza specificamente per la scoperta di geni del tumore della cervice uterina, andando oltre le standard metriche di link prediction verso uno Z-score di specificità della malattia. Il contributo primario è il Framework di Specificità Basato sullo Z-Score, che integra la specificità del KG con la trascrittomica per filtrare il rumore pan-cancro.

Gli autori affermano che la firma a 22 geni risultante dimostra:

1. Forte Validità Interna: Alta discriminazione e stabilità attraverso la cross-validazione e il resampling bootstrap.
2. Indipendenza dallo Stadio Clinico: La capacità di stratificare il rischio anche nei pazienti in fase precoce (Stadio I), un gruppo in cui le decisioni sulla terapia adiuvante sono attualmente controverse.
3. Coerenza Biologica: La firma è fondata sia sulla conoscenza biologica pregressa (KG) che sui dati di espressione empirica, con un arricchimento funzionale che supporta la sua rilevanza per le vie del tumore della cervice.

Lo studio conclude che questo approccio guidato dal KG offre una via promettente per identificare biomarcatori prognostici che siano biologicamente plausibili e clinicamente azionabili, potenzialmente guidando le decisioni sulla terapia adiuvante. Gli autori riconoscono i limiti, incluso il ricorso a un singolo gruppo di addestramento (TCGA-CESC) e la mancanza di una coorte esterna indipendente con annotazione della sopravvivenza, notando che il lavoro futuro dovrebbe dare priorità alla validazione prospettica in contesti multicentrici.