CrcBiomeScreen: a reproducible workflow for class imbalance and cross-cohort generalisability in colorectal cancer microbiome prediction

结直肠癌是全球范围内导致死亡的主要原因之一，这通常是因为发现时已太晚，无法进行有效的治疗。目前的筛查方法，例如检测粪便中隐藏血液的方法，虽然有所帮助但并不完美；它们可能会漏掉疾病的早期征兆，或者导致健康的人接受不必要的侵入性后续检查。近年来，科学家们将注意力转向了生活在我们肠道中的数万亿个微小生物——微生物组。这些微生物群落会留下独特的化学特征，当癌症或癌前病变发生时，这些特征会发生变化。人们希望通过分析这些微生物模式，医生能够比仅凭血液检测更准确地识别高风险个体。然而，将这些生物信号转化为可靠的医疗工具却充满了困难。数据是杂乱的，健康人数远远超过癌症患者人数，而且研究人员处理数据的方式会极大地改变结果，使得很难确定哪些方法真正有效。

为了应对这种复杂性，利兹大学的一个研究小组开发了一种名为 CrcBiomeScreen 的新型开源工具。该工具并非仅仅提出一种单一的“最佳”预测方法，而是构建了一个灵活的框架，允许科学家们并排测试不同的策略，以观察哪些策略在压力下依然稳健。他们利用该系统分析了来自英国一个真实世界筛查项目的 2,200 多人的粪便样本，以及来自全球其他九个独立数据集的数据。他们的目标是找出分析过程中的具体步骤——包括如何清洗数据、如何计数不同类型的细菌，以及计算机模型如何处理癌症病例稀少这一事实——哪些步骤能带来最准确且最可靠的预测。

研究人员发现，在计算机开始学习之前的选择至关重要。他们测试了几种标准化数据的方法，即调整由于每个样本采集到的遗传物质量不同而产生的差异的过程。他们发现，一种被称为 GMPR 的特定方法（该方法考虑了微生物群落独特的结构方式）始终比旧的、更简单的方法产生更好的结果。他们还研究了包含那些从未在实验室中成功培养过的细菌（通常标记为“未培养”细菌）是否重要。研究表明，在分析中保留这些神秘的未培养细菌并不会损害模型的性能，反而可能保留了原本会被丢失的有价值的疾病线索。此外，他们确定在“属”水平（即把相关的物种归为一类的较宽泛类别）上观察细菌效果最好。这一层级的细节既具有足够的生物学意义，又足够宽泛，以便在不同的实验室和测序技术之间得到一致的识别。

癌症筛查的一个主要障碍是健康人数与患病人数之间的巨大失衡。在真实的筛查项目中，每出现一名癌症患者，就会有数百甚至数千名健康个体。如果计算机模型是在癌症病例过多的数据集上训练的，它在实验室中可能表现出色，但在应用于公众时可能会失败。研究团队通过创建健康对照组远多于癌症病例的测试场景，模拟了这种极端的失衡。他们发现，一种称为“类别加权”（class weighting）的技术是必不可少的。这种方法告诉计算机在训练期间要格外关注稀有的癌症病例，从而有效地提高模型对疾病的敏感度，同时又不丧于识别健康人的能力。当应用这种加权处理时，模型在保持识别癌症病例能力的同时，显著减少了被错误标记为患病的健康人数。这种精准度的提升对于筛查至关重要，因为它有助于避免不必要的结肠镜检查及其带来的焦虑。

研究人员随后测试了这些模型在从英国数据集转移到来自其他九个国家的完全不同的群体时的表现。正是在这里，计算机算法的选择产生了令人惊讶的差异。一种被称为“随机森林”（Random Forest）的模型被证明非常稳定且可靠，即使在训练数据有限或人群差异很大时，也能表现得非常一致。另一种被称为“XGBoost”的模型，在利用大型多样化数据集进行训练时更为强大，能在这些特定条件下实现更高的准确度，但在数据较小时则表现出更多的波动性。这项研究表明，并没有一种在所有情况下都表现最佳的“灵丹妙药”式的算法。相反，最佳方法取决于可用数据的规模和性质。

最终，CrcBiomeScreen 的价值在于其透明度和灵活性。它并不强迫研究人员使用单一、僵化的方法。相反，它提供了一种结构化的方式来比较不同的选项，确保最终选用的工具是针对特定数据集效果最好的那个。通过证明仔细关注数据处理、包含未培养细菌以及使用类别加权可以显著提高性能，这项研究为开发更可靠的基于微生物组的筛查工具提供了路线图。虽然这些模型尚未准备好取代现有测试，但它们代表了迈向未来的一大步——届时，简单的粪便检测就能更准确地识别出谁需要紧急医疗救治，从而帮助及早发现结直肠癌并挽救更多生命。