Separating drug main effects from molecular personalization in cancer drug-sensitivity prediction: a harmonized GDSC∪CTRP and CCLE benchmark with permutation-controlled biomarker discovery

技术摘要：将药物主效应与分子个性化从癌症药物敏感性预测中分离

问题陈述
大规模药理基因组筛选（GDSC 和 CTRP）结合多组学数据（CCLE/DepMap）是预测肿瘤药物反应的标准基质。然而，在“分子个性化”（基于特定肿瘤的独特特征对药物进行排序）的愿景与数据的实际结构之间，存在着持久的鸿沟。本文识别了两个主要的混淆因素：

1. 药物主效应（Drug Main Effects）： 许多化合物在大多数细胞系中都具有广泛的效力，且不同组织本身具有不同的基线敏感性。模型通常通过学习这些普遍趋势而非真正的个性化来获得高相关性。
2. 数据不一致性： GDSC 与 CTRP 之间的跨研究一致性仅为中等水平，这限制了从一个筛选实验中学习到的生物标志物在另一个实验中的可重复性。

核心问题在于：现有模型的表观预测能力中，有多少反映了真正的分子个性化，又有多少反映了更简单的的数据结构（药物效力和组织来源效应），以及如何区分真实的生物标志物与过度乐观评估产生的伪影。

方法论
本研究构建了一个协调的资源和一个严谨的评估框架，用以解构这些信号：

• 数据协调化： 作者整合了 GDSC2 和 CTRP v2.2 的药物反应数据与 CCLE 多组学图谱（RNA-seq、突变、甲基化等）。
  • 身份解析： 将细胞系映射到 DepMap 标识符。至关重要的是，药物是通过化学结构（InChIKey 连接块）而非名称进行解析的，这防止了将不同的异构体混合在一起，并将可靠共享化合物的数量从 71 个增加到 86 个。
  • 指标标准化： 创建了一个跨队列可比较的敏感性指标（sens_z），通过在每个（队列，药物）组内对原始 AUC 或 IC50 值进行标准化，消除了药物特异性的效力偏移和队列特有的尺度差异。
• 评估纪律：
  • 分组留出细胞系嵌套交叉验证（Grouped Leave-Cell-Line-Out Nested Cross-Validation）： 模型进行评估时，确保没有任何细胞系同时出现在训练集和测试集中，从而防止由于学习到普遍化疗敏感性水平而导致的泄漏。
  • 基准锚定： 所有模型都针对**药物均值基准（drug-mean baseline）**进行评分（即忽略分子特征，仅预测一种药物在某种组织内的平均敏感性）。如果一个分子模型无法超越此基准，则说明它是在重新学习药物主效应，而非实现个性化。
  • 分解： 将预测问题分为两部分：
    1. 广谱成分： 预测哪些药物在某种组织中具有普遍的效力（药物均值基座）。
    2. 机制特异性成分： 在移除药物均值后（以及在泛癌设置下，移除组织来源均值后）预测残余敏感性。
• 显著性控制：
  • 两阶段协议： 本研究没有依赖于交叉验证置信区间（该区间衡量的是拆分稳定性而非采样噪声），而是采用了置换检验零假设（permutation null）（在面板内打乱敏感性标签）并辅以独立验证（通过检查已建立的药理学和跨组织复现性进行验证）。
  • 单药特征： 对于每个符合条件的（疾病，药物）面板（共 7,836 个），拟合一个受监督的基因特征，并针对置换零假设进行测试。
• 工具： 分析利用了 Elastic Net 回归、ssGSEA 通路活性分析以及语义匹配引擎（Semblance）进行迁移稳健的推荐。

关键结果

1. 广谱信号具有“组织-药物”结构：

   • 在单个组织内，药物均值模型（忽略分子特征）具有很强的预测性（在血液谱系中 Spearman $\rho$ 高达 0.54）。
   • 当合并组织时，这种信号消失了（合并后的 $\rho \approx 0$），证实了所谓的“预测能力”仅仅是已知事实——即某些组织对某些药物普遍敏感，而非个体肿瘤的个性化。

2. 分子个性化微乎其微且主要依赖于谱系：

   • 单疾病层面： 在单个组织面板（20–70 个细胞系）中，分子特征（表达、多组学、通路）在药物均值基准之外几乎没有增加任何预测能力，其机制特异性部分趋近于零。
   • 泛癌层面： 合并组织增加了有效样本量，揭示了一个微小的非零相关性（$\rho \approx 0.10$）。然而，当目标经过残差化处理以移除组织来源结构后，该信号降至 $\rho \approx 0.05$。
   • 谱系主导性： 一个“无特征”组织基准（仅基于 in-fold 疾病-药物均值进行预测）的表现优于基于表达谱的模型（$\rho = 0.214$ 对比 $0.087$）。这表明，谱系身份本身对残余敏感性的预测能力优于 50 个表达主成分。剩余的信号（$\rho \approx 0.05$）虽然通过了置换验证，但可能代表的是未解决的组织内谱系属性（如增殖速率），而非已建立的分子个性化。

3. 单药发现产出了高度集中的少数验证生物标志物：

   • 应用两阶段显著性协议（置换零假设 + 验证）后，将“显著”发现的数量从 3,284 个（标准 CI）减少到 971 个面板（12%）。
   • 验证： 保留的集合在已建立的药物-靶点药理学方面具有 4.3 倍的富集（例如黑色素瘤/结直肠癌中的 BRAF 抑制剂、MEK 抑制剂、BCL2 抑制剂）。
   • 新颖性： 除了经典靶点外，研究还识别出了非经典制剂中重复出现的、经置换验证的脆弱性。值得注意的是，三个独立的 GPX4 抑制剂（RSL3, ML162, ML210）在黑色素瘤中均显示出强力的、经过验证的特征，从而恢复了已知的去分化黑色素瘤铁死亡脆弱性。
   • 复现阈值： 药物特征在不同组织间的复现性仅在超过三个组织时才具有信息量；两个组织的复现性在考虑到测试的组织总数后，完全可以由偶然性解释。

4. 通路重表征：

   • 将表达量转换为 Reactome 通路活性并未解锁额外的机制信号；结果与基因水平的分析保持一致。

意义与主张
本文声称其主要贡献在于提供了一幅关于药理基因组数据中预测信号真实分布的诚实地图，而非提出一个新的最先进预测器。

• 重构个性化： 研究认为，“个性化”在当前数据集中并非分布于所有药物和组织，而是集中在极少数具有统计效力的药物-组织对中。大部分表观信号实际上是药物主效应或组织来源结构。
• 评估纪律： 研究确立了传统的交叉验证区间不足以用于此类领域的发现。必须使用置换控制的零假设来过滤掉伪影，从而显著降低假发现率。
  | 可操作输出： 研究提供了一个分层推荐框架：
  1. 高置信度层： 基于组织特异性平均敏感性的广谱排名（药物均值基准）。
  2. 探索层： 仅限于具有置换验证特征的约 12% 的药物-组织对的机制特异性推荐。
• 资源发布： 研究发布了一个协调的 GDSC$\cup$CTRP–CCLE 资源、一个分布式分析流水线，以及一个使这些置信度层具象化的开放 Web 应用（Semblance 2.0），用于细胞系查询和语义特征匹配。

作者总结道，虽然存在微小的、经置换验证的个性化信号，但它是脆弱的，并且在组织结构面前显得微不足道。未来的进展需要专注于针对单药、组织内的发现，并辅以严格的零假设控制，而不是寻求一个通用的泛癌预测器。