A Curvature Guided Composite Kernel Framework for Differential Gene Selection in Cancer Transcriptomics

技术摘要：一种用于癌症转录组学差异基因选择的曲率引导复合核框架

问题陈述
差异表达基因（DEG）分析是癌症转录组学中生物标志物发现和药物靶点识别的基础。然而，现有的方法根据数据模态（Bulk RNA-seq 与 Single-cell RNA-seq）以及潜在的统计假设存在显著局限性。

• 参数化方法（如 DESeq2、edgeR）依赖于负二项分布和广义线性模型。它们在处理类别不平衡、小样本量以及单细胞数据的特定稀疏特性时往往表现不佳。
• 非参数化方法（如 SAMseq、NOIseq）可以处理变化的测序深度，但由于重采样可能导致计算成本过高，或者可能导致数据丢失和生物学洞察力下降。
• 机器学习方法使用标准核函数（线性、多项式、RBF）时，往往无法捕捉高通量次世代测序（NGS）数据中固有的复杂、非线性及层次化的生物学关系。例如，RBF 核可能会过度平滑尖锐的生物特征，或在趋势分离线处变得不稳定。

本文认为，目前的各种方法缺乏一个统一的、与模态无关的框架，该框架应能有效地建模基因状态的双重性质（正常 vs 癌症），同时在不依赖严格分布假设的情况下保留数据的内在几何结构。

方法论
作者提出了一个“曲率引导的复合核框架”，该框架整合了量子力学类比、微分几何和受物理启发的优化算法。该方法通过以下阶段进行：

1. 量子启发式状态表示：

   • 使用量子力学的第一个公理对基因表达状态进行建模，将基因表示为希尔伯特空间中的波函数 $|\Psi\rangle$。
   • 基于原子轨道线性组合（LCAO）方法构建复合核。基因状态向量被划分为两个正交范畴：“正常”范畴（$|\Phi_i\rangle$）和“癌症”范畴（$|\Xi_i\rangle$）。
   • 该框架施加了确保正常波函数与癌症波函数之间正交性的公理，将基因视为一个双重实体，而非单一的点，使其能够同时投影到健康和病理状态中。
   • 定义了一个复合内积，将表达矩阵映射到再生核希尔伯特空间（RKHS），生成正定（PSD）格拉姆矩阵（Gram matrix）。

2. 基于里奇曲率（Ricci Curvature）的几何分析：

   • 诱导的希尔伯特空间被建模为一个黎曼流形。作者在基因转录本的离散网络上计算了 Oliver-Ricci 曲率（ORC）。
   • 不同于在噪声较大的有限数据集上不稳定的连续微分算子，ORC 依赖于网络的离散拓扑结构和转移概率，将局部几何结构聚合为每个基因的密度值。
   • 该曲率谱可以识别几何异常；关键的差异表达基因（DEGs）被假设具有高度负的里奇曲率（瓶颈），而冗余基因则显示出平坦或正曲率。

3. 引力搜索优化：

   • 为了在没有视觉启发式的情况下自主确定最优差异表达基因数量 ($k$)，采用了引力搜索算法（GSA）。
   • 通过最小化一个表示损失函数 $L_{rep}(S)$ 来实现，该函数由三个项组成：
     1. 经验分类误差 ($\epsilon_{class}$)。
     2. 针对子集大小的线性惩罚（促进稀疏性）。
     3. 基于里奇曲率指数的几何正则化项 ($\exp(Ric)$)。该项会严厉惩罚包含平坦/正曲率基因的行为，同时最小化包含负曲率瓶颈基因的代价。
   • 基因被视为具有由其对最小化全局损失的适应度贡献所决定的“质量”的粒子。一种动态引力作用使粒子在特征空间中移动，以收敛至最优基因子集。

核心贡献

• 新颖框架： 引入了一种量子启发式的复合核，该核显式地在希尔伯特空间内建模了基因状态的双重性（正常 vs 癌症），这与标准的核线性组合不同。
• 几何感知选择： 利用黎曼流形上的里枝曲率来识别与差异表达基因相关的拓扑异常（瓶颈），从而超越了单纯的统计显著性。
• 物理启发式优化： 开发了一种引力搜索机制，通过最小化平衡了分类准确性、稀疏性和几何相关性的损失函数，从而动态选择最优基因子集。
• 模态无关性： 该方法旨在跨不同数据模态（包括 Bulk RNA-seq (NGS) 和微阵列数据）运行，无需进行特定模态的参数调优。

结果
该框架在来自癌症基因组图谱（TCGA）和基因表达综合数据库（GEO/CuMiDa）的多个数据集上进行了验证，涵盖了如肺腺癌（LUAD）、头颈癌（HNSC）、乳腺癌（BRCA）、肝癌和胰腺癌等癌症。

• 分类性能：
  • 在 TCGA 数据集上，所提方法相比于使用原始全转录组特征空间一致地提高了分类准确率。对于使用 RBF 核的 SVM，在 BRCA 和 LUAD 中的准确率从 ~98% 提升至 ~99%。
  • XGBoost 也表现出增益，特别是在 BRCA 中（准确率从 95% 升至 97.85%）。
  • 该方法在大多数场景下优于或匹配了已建立的基准方法（DESeq2、Voom-Limma、NOISeq）。值得注意的是，虽然 NOISeq 在一个数据集上达到了完美准确率，但在微阵列队列中未能识别出显著的 DEGs，而所提方法保持了稳健性。
• 外部验证：
  • 该框架展示了强大的跨平台泛化能力。从 TCGA（NGS）数据中选出的 DEGs 在应用于独立的 GEO（微阵列）数据集时仍保持了预测性能，反之亦然。
  • 在乳腺癌外部验证中，使用 TCGA 衍生的 DEGs 对 GSE 数据进行处理，使 XGBoost 的准确率从 79.89% 提升至 87.21%。
• 生物学富集：
  • 基因集富集分析（GSEA）和 KEGG 通路分析证实，所选基因具有生物学相关性。
  • 识别出的通路一致地包含了 DNA 损伤反应、细胞周期控制、细胞凋亡、免疫调节以及主要的致癌信号传导（如 p53、Notch、Hedgehog、RAS），这些均与不同组织类型中的已知癌症生物学相符。
• 降维：
  • PCA 和 UMAP 可视化表明，与原始数据相比，选定的 DEG 子集创建了具有更好类内紧凑性和类间可分性的低维流形，有效地消除了噪声和冗余。

意义与主张
本文声称，这项工作提出了一种超越传统分布假设的差异表达基因识别新范式。通过利用量子力学公理来定义基因状态，并利用微分几何来分析潜在流形，该框架成功地提取了紧凑、信息化且具有生物学连贯性的基因特征。

作者强调，该方法具有模态无关性，能够处理包括 NGS 和微阵列在内的不同数据模态，并保持一致的性能。外部验证结果表明，所选特征捕获了对平台变化和数据集特定伪影具有鲁棒性的疾病相关表达特征。研究结论指出，这种几何感知的、量子启发的策略为生物标志物发现和疾病分类提供了一个有前景的工具，提供了一种稳定且具有生物学意义的转录组数据表示方式。作者指出，仍需在更大的独立队列和单细胞数据集上进行进一步验证，以全面评估其临床转化潜力。