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

Resumo Técnico: Uma Estrutura de Transcriptômica Guiada por Grafos de Conhecimento para o Prognóstico do Câncer Cervical

Definição do Problema
A estratificação de risco atual para o câncer cervical baseia-se fortemente em fatores clinicopatológicos, como o estágio FIGO e o status de linfonodo. Essas ferramentas falham em capturar a heterogeneidade molecular subjacente da doença, levando frequentemente ao sobretratamento ou subtratamento. A descoberta convencional de biomarcadores transcriptômicos geralmente depende exclusivamente da análise de expressão diferencial, o que gera milhares de candidatos. Esses candidatos são frequentemente associações pan-cancerosas que carecem de especificidade para a doença e muitas vezes falham na validação independente. Existe uma necessidade crítica de uma estrutura que integre o conhecimento biológico prévio com dados transcriptômicos empíricos para identificar biomarcadores prognósticos robustos e específicos da doença.

Metodologia
Os autores propõem uma estrutura de dois filtros que combina a especificidade de incorporação (embedding) de Grafos de Conhecimento (KG) com a expressão diferencial transcriptômica.

1. Construção e Incorporação do Grafo de Conhecimento:

   • O estudo utilizou o PrimeKG, um grafo de conhecimento biomédico abrangente que integra dados de mais de 20 bancos de dados (ex.: NCBI Gene, DrugBank, DisGeNET).
   • Um subgrafo específico de câncer cervical foi construído através da extração de entidades e relações associadas ao câncer cervical (MeSH ID: D002583), resultando em aproximadamente 15.742 entidades e 284.613 relações.
   • Avaliação do Modelo: Dez modelos de incorporação de grafos abrangendo quatro paradigmas arquiteturais (translacional, rotacional, bilinear e composto) foram sistematicamente avaliados utilizando o framework PyKEEN. Os modelos incluíram TransE, TransH, RotatE, DistMult, ComplEx, RESCAL, SimplE, PairRE e ermlpe.
   • Métrica de Especificidade: Diferente das avaliações tradicionais que dependem apenas de métricas de predição de ligação (MRR, Hits@K), os autores introduziram uma Estrutura de Especificidade Baseada em Z-Score. Esta métrica compara o escore de predição de um gene para o câncer cervical contra a média e o desvio padrão de seus esscores em dez tumores sólidos de fundo (ex.: mama, pulmão, colorretal). O modelo ComplEx foi selecionado para análise downstream porque demonstrou a maior especificidade para o câncer cervical (Média do Z-score do Top 100 = 4,19), apesar de o SimplE ter alcançado o maior desempenho geral de predição de ligação.

2. Filtragem de Genes Candidatos:

   • Filtro 1 (Especificidade de KG): Os genes foram selecionados se atendessem a um limiar de significância na predição de KG ($Z \ge 1,645$, correspondendo aos ~5% superiores da distribuição, $P < 0,05$).
   • Filtro 2 (Transcriptômica): A análise de expressão diferencial foi realizada nos dados TCGA-CESC (304 amostras de tumor) combinados com amostras de tecido normal (3 TCGA + 10 GTEx) usando DESeq2. Genes significativos foram definidos tendo um $P \text{ ajustado} < 0,05$ e $|log_2FC| > 1$.
   • Interseção: A interseção dos candidatos preditos por KG e dos genes diferencialmente expressos resultou em 476 genes candidatos de alta confiança.

3. Desenvolvimento da Assinatura Prognóstica:

   • Utilizando a coorte TCGA-CESC ($n=250$, 50 eventos), os autores abordaram a baixa razão evento-variável ao evitar o LASSO-Cox, que falhou em convergir de forma estável.
   • Em vez disso, uma abordagem de escore de risco ponderado Top-K com validação cruzada foi empregada. Partindo de 35 genes com $P \text{ univariado} < 0,10$, modelos variando de $K=1$ a $30$ genes foram avaliados via validação cruzada de cinco dobras.
   • O tamanho ideal do modelo foi determinado como sendo de $K=22$, maximizando o C-índice médio da validação cruzada.
   • O escore de risco foi calculado como a soma ponderada dos valores de expressão padronizados pelo z-score com base nos coeficientes de Cox univariados.

4. Validação:

   • Validação Interna: Realizada dentro do TCGA-CESC por meio de análises de subgrupos (por estágio, status de linfonodo, histologia, geografia), análise de AUC dependente do tempo (1–5 anos) e teste de permutação (1.000 embaralhamentos) para descartar overfitting.
   • Validação Biológica Externa: A assinatura foi aplicada ao conjunto de dados GSE52903 (plataforma Affymetrix, 55 tumores, 17 normais). Embora os dados de sobrevivência não estivessem disponíveis, o estudo avaliou a diferença de escores de risco entre tecidos tumorais e normais.
   • Análise Multivariada: Ajustada para idade e estágio FIGO para avaliar a independência.

Principais Resultados

• Seleção de Modelo: O modelo ComplEx superou os outros em especificidade de doença, com um Z-score médio do Top 100 de 4,19, comparado ao 1,04 do SimplE. Isso confirmou que a pontuação bilinear de valores complexos captura melhor as relações direcionais entre doença e gene.
• Desempenho da Assinatura: A assinatura de 22 genes derivada estratificou com sucesso os pacientes em grupos de alto e baixo risco na coorte TCGA-CESC.
  • Discriminação: Log-rank $P = 6,33 \times 10^{-10}$.
  • C-Índice: C-índice de treinamento = 0,816; C-índice médio de Bootstrap = 0,816 (95% CI: 0,762–0,865).
  • Independência Multivariada: Na análise de Cox multivariada, o escore de risco permaneceu um preditor significativo de mortalidade (HR = 2,23 por aumento de 1 SD, 95% CI: 1,67–2,96, $P < 0,0001$), enquanto idade e estágio FIGO não foram estatisticamente significativos neste contexto de modelo específico.
  • Robustez: A assinatura manteve alta discriminação em pacientes do Estágio I (C-índice = 0,815) e em subgrupos com e sem presença de linfonodos positivos.
  • Precisão Temporal: A média da AUC dependente do tempo de 5 anos foi de 0,829.
• Validação Externa: No GSE52903, todos os 22 genes foram mapeados com sucesso. A assinatura mostrou escores de risco significativamente menores em tecido normal comparado ao tecido tumoral ($P = 0,042$), e 15 dos 22 genes exibiram expressão diferencial significativa.
• Enriquecimento Funcional: Os 476 genes candidatos foram enriquecidos em processos relevantes ao câncer, incluindo homeostase de íons de potássio, sinalização Ras e dinâmica do citoesqueleto. A assinatura final de 22 genes reteve genes representativos dessas redes centrais (ex.: EFNA1, GNG5, DSG2, CKMT1A).

Significância e Alegações
O artigo afirma introduzir a primeira comparação sistemática de dez modelos de incorporação de grafos de conhecimento especificamente para a descoberta de genes do câncer cervical, indo além das métricas padrão de predição de ligação para um Z-score de especificidade de doença. A contribuição primária é a Estrutura de Especificidade Baseada em Z-Score, que integra a especificidade do KG com a transcriptômica para filtrar o ruído pan-canceroso.

Os autores afirmam que a assinatura de 22 genes resultante demonstra:

1. Forte Validade Interna: Alta discriminação e estabilidade através de validação cruzada e reamostragem de bootstrap.
2. Independência do Estadiamento Clínico: A capacidade de estratificar o risco mesmo em pacientes de estágio inicial (Estágio I), um grupo onde as decisões de terapia adjuvante são atualmente controversas.
3. Coerência Biológica: A assinatura é fundamentada tanto em conhecimento biológico prévio (KG) quanto em dados de expressão empíricos, com o enriquecimento funcional apoiando sua relevância para as vias do câncer cervical.

O estudo conclui que esta abordagem impulsionada por KG oferece um caminho promissor para identificar biomarcadores prognósticos que sejam tanto biologicamente plausíveis quanto clinicamente acionáveis, potencialmente guiando decisões de terapia adjuvante. Os autores reconhecem limitações, incluindo a dependência de uma única coorte de treinamento (TCGA-CESC) e a falta de uma coorte externa independente com anotação de sobrevivência, observando que trabalhos futuros devem priorizar a validação prospectiva em ambientes multicêntricos.