Advancing Cancer Prognosis with Hierarchical Fusion of Genomic, Proteomic and Pathology Imaging Data from a Systems Biology Perspective

Hieronder volgt een gedetailleerde technische samenvatting van het paper "Advancing Cancer Prognosis with Hierarchical Fusion of Genomic, Proteomic and Pathology Imaging Data from a Systems Biology Perspective", vertaald en samengevat in het Nederlands.

1. Probleemstelling

De nauwkeurige voorspelling van de prognose van kankerpatiënten is cruciaal voor gepersonaliseerde behandeling. Bestaande multimodale methoden integreren vaak genomische data (transcriptomics) en histopathologische beelden (Whole Slide Images - WSIs) om overleving te voorspellen. Echter, deze benaderingen hebben twee fundamentele beperkingen:

1. Ontbreken van het proteoom: Bestaande modellen negeren het proteoom (eiwitten), dat fungeert als een essentieel tussenlaagje tussen genetische veranderingen en de fenotypische uitdrukking in weefsel. Genen coderen voor instructies, maar eiwitten voeren de functies uit die de weefselstructuur bepalen. Klinische beslissingen (bijv. bij borstkanker) zijn vaak gebaseerd op eiwitstatus (immunohistochemie) in plaats van alleen mRNA-niveaus.
2. Vlakke integratie: Bestaande fusiemethoden behandelen deze heterogene databronnen vaak op een "vlakke" manier (flat fusion), waarbij ze alle modaliteiten als gelijkwaardig behandelen. Dit negeert de inherente biologische hiërarchie: Genen $\rightarrow$ Eiwitten $\rightarrow$ Weefselmorfologie. Door deze causale cascade niet te modelleren, gaan methoden mechanistische inzichten verloren.

Daarnaast behandelen bestaande methoden expressieprofielen vaak als geïsoleerde numerieke vectoren, zonder rekening te houden met de intrinsieke biologische eigenschappen (functie, co-expressiepatronen) van de moleculen zelf.

2. Methodologie: HFGPI Framework

De auteurs stellen HFGPI (Hierarchical Fusion of Genomic, Proteomic and Pathology Imaging) voor. Dit is een raamwerk dat de biologische progressie van genen naar eiwitten naar histologie expliciet modelleert vanuit een systeembiologisch perspectief. Het proces verloopt in vier fasen:

A. Feature Extraction & Molecular Tokenizer

In plaats van alleen expressiewaarden te gebruiken, introduceert de auteurs de Molecular Tokenizer. Deze strategie combineert:

• Identiteits-embeddings: Voor genen wordt Gene2Vec gebruikt om functionele relaties te coderen. Voor eiwitten worden tekstuele beschrijvingen gegenereerd door een Large Language Model (LLM, specifiek GPT-5) over hun biologische functie en morfologische correlaten. Deze teksten worden geëncodeerd met een Vision-Language Model (VLM) text-encoder.
• Expressieprofielen: De kwantitatieve expressiewaarden van de patiënt worden elementsgewijs vermenigvuldigd met de identiteits-embeddings.
• Resultaat: Representaties die zowel de "identiteit" (wat het molecuul is) als de "activiteit" (hoeveel het tot expressie komt) van de patiënt coderen.

B. Gene-Regulated Protein Fusion (GRPF)

Om de directionele regulatie van genen naar eiwitten te modelleren, wordt een GRPF-module gebruikt:

• Graph-Aware Cross-Attention: Gen- en eiwitgrafen worden geconstrueerd op basis van k-nabijste-buren (k-NN) van hun identiteits-embeddings. Een Graph Convolutional Network (GCN) verrijkt de representaties met netwerkcontext.
• Regulatie: Een cross-attention mechanisme laat eiwitten "vragen" naar regulatoire informatie van genen, wat de biologische stroom van transcriptie naar translatie nabootst.
• Structure-Preserving Alignment: Een extra verliesfunctie ($L_{struct}$) zorgt ervoor dat de leerde attentiematrix de intrinsieke topologie van de gen- en eiwitnetwerken respecteert (functioneel gekoppelde eiwitten worden door functioneel gekoppelde genen gereguleerd).

C. Protein-Guided Hypergraph Learning (PGHL)

Om de complexe relatie tussen eiwitten en weefselmorfologie te vangen (waarbij één eiwit in meerdere gebieden voorkomt en één beeldpatch meerdere eiwitten reflecteert), wordt een Hypergraaf gebruikt:

• Constructie: Knopen zijn beeldpatches (uit de WSI) en hyperranden zijn eiwitten. Een eiwit definieert een hyperrand die de $k$ meest relevante patches verbindt op basis van semantische gelijkenis.
• Learning: Hypergraaf-convolutie wordt toegepast om hogere-orde relaties te vangen, waardoor patches contextuele informatie kunnen verzamelen van andere patches die dezelfde eiwitten delen.
• Fusie: De eiwit-gestuurde morfologische features worden gefuseerd met de gen-gereguleerde eiwit-embeddings.

D. Survival Prediction

De hiërarchisch gefuseerde features worden verwerkt door een Transformer-encoder en een gated attention pooling module om een patiëntniveau-representatie te genereren. Dit wordt gebruikt om de hazard-functie te voorspellen via een Cox Proportional Hazards model, geoptimaliseerd met een Negative Log-Likelihood (NLL) loss.

3. Belangrijkste Bijdragen

1. Integratie van het Proteoom: Het paper is een van de eerste dat het proteoom expliciet introduceert als een tussenlaag in multimodale kankerprognose, wat de biologische kloof tussen genotype en fenotype overbrugt.
2. Hiërarchische Fusie: In plaats van vlakke fusie, modelleert HFGPI de causale cascade (Gen $\rightarrow$ Eiwit $\rightarrow$ Morfologie), wat leidt tot biologisch coherente representaties.
3. Nieuwe Architecturen:
   • Molecular Tokenizer: Combineert identiteit en expressie voor zowel genen als eiwitten.
   • GRPF: Modelleren van directionele gen-eiwit regulatie met structuurbehoud.
   • PGHL: Gebruik van hypergrafen om de vele-tot-veel relatie tussen eiwitten en weefselpatches te vangen.
4. Interpreteerbaarheid: Het model kan visueel maken welke genen een specifiek eiwit reguleren en welke histopathologische patches bij dat eiwit horen.

4. Resultaten

De methode is geëvalueerd op vijf TCGA-datasets (BLCA, BRCA, GBMLGG, LUAD, UCEC) met een 5-voudige kruisvalidatie.

• Prestaties: HFGPI bereikte een gemiddelde C-index van 0.753, wat significant hoger is dan de state-of-the-art methoden (bijv. PS3: 0.735, ICFNet: 0.729) en unimodale baselines.
• Ablatie-studies:
  • Het toevoegen van proteomische data verbeterde de prestaties met 1.1% tot 5.4% ten opzichte van twee-modale modellen (Gen + Beeld).
  • Het verwijderen van de hiërarchische componenten (GRPF of PGHL) leidde tot een daling van de prestaties (tot -2.3%), wat aantoont dat de specifieke architectuur essentieel is.
  • Het gebruik van de Molecular Tokenizer was superieur aan het gebruik van alleen genfamilies of pathways.
• Statistische significantie: Kaplan-Meier-curves en Log-rank tests toonden aan dat HFGPI patiënten beter kan stratificeren in hoog- en laagrisicogroepen dan bestaande methoden (lage p-waarden).
• Efficiëntie: HFGPI is computatie-efficiënter dan vergelijkbare drie-modale methoden (zoals ICFNet) met minder parameters en snellere inferentietijden.

5. Betekenis en Impact

Dit werk markeert een verschuiving in de computergestuurde pathologie van "data-fusie" naar "biologisch gefundeerde fusie".

• Klinische relevantie: Door het proteoom te betrekken, sluit het model beter aan bij de klinische realiteit waar diagnostiek vaak op eiwitniveaus (IHC) gebeurt.
• Biologisch inzicht: Het model biedt niet alleen voorspellingen, maar ook interpreteerbare inzichten in de moleculaire mechanismen die de tumorfenotypen aandrijven (bijv. visualisatie van hoe RFC4 en FEN1 de expressie van PCNA reguleren in borstkanker).
• Toekomstperspectief: De aanpak biedt een blauwdruk voor het integreren van andere biologische lagen (zoals metabolomics) in toekomstige prognostische modellen, waarbij de inherente hiërarchie van biologische systemen centraal staat.

Kortom, HFGPI bewijst dat het expliciet modelleren van de biologische hiërarchie tussen genen, eiwitten en weefsel leidt tot nauwkeurigere en interpreteerbaardere kankerprognoses.