Uncertainty-aware graph representation learning with positive-unlabeled classification for biomarker discovery in peripheral artery disease

本文提出了一种不确定性感知的图表示学习框架，该框架整合了正-未标记分类与集成方法，以优先筛选针对外周动脉疾病的新型且校准良好的生物标志物，其预测性能与生物学相关性均优于现有基线模型。

要点

将外周动脉疾病（PAD）想象成一座庞大而错综复杂的城市道路网（我们的血管），其中一些街道被堵塞，但我们并不完全清楚它们为何被堵。科学家已知少数关键肇事者（“阳性”蛋白质），但对于城市的大部分区域，交通报告要么缺失，要么不完整。这使得寻找解决问题的新线索变得非常困难。

大多数试图解决这一问题的计算机程序就像过于自信的导游。它们指着一座随机建筑说：“这绝对是问题所在！”却不愿承认自己可能只是在猜测。它们不知道何时自己不确定，而且常常错过那些与它们以往所见不同的、新奇而陌生的建筑。

新方法：一位手持水晶球的谨慎侦探

本文的研究人员构建了一个更智能的系统，就像一位携带“置信度计”和“新颖性雷达”的谨慎侦探。以下是他们的方法：

1. 绘制城市地图（图学习）：首先，他们使用一种特殊的人工智能（图神经网络）来创建体内所有蛋白质相互连接的三维地图。这就像绘制一张地铁图，其中站点之间的距离代表不同蛋白质之间的关联程度。
2. “是、可能、否”团队（集成预测）：他们不是依赖单一侦探，而是聘请了一整支由不同专家（五个不同的分类器）组成的团队，并让他们投票表决。他们还教导这些专家在数据模糊时说出“我不确定”。这就形成了一个“置信度计”，告诉我们系统对其答案的把握程度。
3. 两个篮子（不确定性与新颖性）：系统将潜在线索分为两堆：
   • “稳妥之选”：这些候选对象与已知肇事者非常相似。系统对这些候选对象非常有信心。
   • “新发现”：这些候选对象位于地图上陌生且未探索的区域。系统将它们标记为“结构上新颖”，因为它们不符合通常的模式，暗示它们可能是我们尚未想到的新型肇事者。

他们的发现

研究团队测试了这一系统，发现其表现远优于旧方法。虽然旧有的“过于自信”的导游在约 82% 的情况下是正确的，但新团队的正确率达到了约 92%。

• 稳妥之选：系统最有信心的那些蛋白质与已知的 PAD 蛋白质聚集在一起。它们参与熟悉的任务，如构建道路墙壁（细胞外基质）和管理血液凝固（凝血）。
• 新发现：“新颖”候选对象位于地图上不同的街区。它们与不同类型的交通控制相关，例如细胞信号传导和免疫系统反应（G 蛋白偶联受体和 NF-κB 通路）。

核心结论

通过教会计算机在不确定时承认这一点，并寻找与常态不同的事物，研究人员成功识别出 100 种新的 PAD 潜在生物标志物。他们证明，将“置信度”与“好奇心”相结合，有助于科学家发现明显的嫌疑对象和隐蔽的嫌疑对象，从而获得对该疾病更清晰的图景。

技术摘要

技术摘要：面向外周动脉疾病生物标志物发现的不确定性感知图表示学习

问题陈述
外周动脉疾病（PAD）因其分子机制的异质性以及相关基因功能注释的不完整性，给系统性生物标志物发现带来了重大挑战。虽然基于网络的学习方法为疾病基因优先级排序提供了强有力的框架，但现有方法存在关键局限：它们通常生成过度自信的预测，而未显式建模不确定性，且未能考虑生物网络中的结构新颖性。这种缺乏校准和新颖性检测的问题，阻碍了对已知关联及潜在新型治疗靶点的可靠识别。

方法论
为解决上述差距，作者提出了一种不确定性感知框架，整合了四个核心组件：无监督图表示学习、正 - 未标记（PU）分类、集成预测和机制可解释性。

1. 图表示学习：利用多种无监督图神经网络（GNN）目标生成节点嵌入。这种多目标方法捕捉了生物网络多样化的结构特性。
2. 集成 PU 分类：将这些嵌入输入到一组异构的五种分类器中。系统采用集成策略聚合预测，生成概率估计并量化认知不确定性。
3. 候选者分层：该框架联合建模预测置信度与嵌入空间新颖性。这使得候选者能够被分层为两个截然不同的类别：
   • 高置信度重发现：具有高预测概率且与已知 PAD 蛋白紧密聚类的候选者。
   • 结构新颖假设：占据嵌入空间中不同区域的候选者，代表潜在的新的生物机制，且均在显式不确定性控制之下。
4. 验证：该系统利用五折交叉验证对抗已建立的 PU 学习基线，并使用心血管疾病注释进行外部验证。

关键结果
所提出的集成方法在八种嵌入目标和五种分类器中均表现出稳健的性能：

• 性能指标：该方法相比最佳基线 PU 学习方法实现了持续改进，曲线下面积（AUC）达到 0.916 ± 0.019，而基线为 0.821 ± 0.030。
• 候选者优先排序：该模型成功对 100 个候选 PAD 相关蛋白进行了优先级排序。
• 生物富集：
  • 概率主导型候选者（高置信度）富集了既定的血管和止血通路，包括细胞外基质组织、整合素信号传导、凝血和纤维蛋白溶解。
  • 新颖性主导型候选者（结构独特）划分为相干的簇，富集了上游调控和信号传导过程，具体包括 G 蛋白偶联受体、ephrin 受体、激酶驱动以及 NF-κB 相关通路。
• 外部效度：顶级候选者显示出对相关心血管疾病注释的显著富集，表现超出背景水平 5.7 倍。

意义与主张
本文主张，整合不确定性量化、新颖性检测和可解释性，能够实现一种更校准且基于生物学基础的生物标志物优先级排序方法。通过超越过度自信的预测，该框架不仅恢复了已知的血管机制，还系统地识别出具有受控不确定性的结构新颖假设。作者断言，这种方法不仅适用于 PAD，也适用于其他具有异质机制和不完全注释的复杂疾病，提供了一个区分既定关联与真正新颖发现的稳健工具。