Optimal Graph Cutting: An Adaptive and Extensible Framework for Multi-Omics Cancer Subtyping

技术摘要：用于多组学癌症亚型的最优图切割 (OGC)

问题陈述
整合异质性分子数据集对于表征癌症异质性至关重要，然而传统的整合方法面临着显著挑战。这些挑战包括不同分子模态（如基因表达、DNA 甲基化、miRNA）之间数据可靠性的差异，以及在不重新设计整个框架的情况下难以容纳新分子信息的困难。当新的数据层可用时，或者当特定模态包含噪声或冲突的生物信号时，僵化的整合策略往往会失效。此外，现有的基于网络的方法通常将所有模态和患者关系视为具有同等信息量，忽略了邻域结构在全局（模态之间）和局部（特定患者对之间）的可靠性可能存在差异。

方法论
本文提出了最优图切割 (Optimal Graph Cutting, OGC)，这是一种旨在整合多组学数据进行癌症亚型分类的自适应且可扩展的图框架。该方法通过以下技术阶段进行：

1. 图表示： 为 $M$ 个分子模态中的每一个构建一个患者相似性图，其中患者为顶点，边权重代表相似性。这种方法避免了对原始特征的直接拼接，而是操作于一个共同的患者级表示之上。
2. 可靠性估计 ($D_{st}$)： 其核心创新在于使用邻域不一致性度量 ($D_{st}$) 在两个层面估计可靠性：
   • 全局（模态级）： 一个模态的平均 $D_{st}$ 表征了其患者邻域结构的整体一致性。低 $D_{st}$ 意味着高一致性。
   • 局部（边级）： 单个边的 $D_{st}$ 值评估了特定模态内特定患者对之间的关系可靠性。
3. 自适应加权与精炼：
   • 模态权重： 置信度得分 ($C_m$) 通过对平均 $D_{st}$ 进行指数变换得出（$C_m = \exp(-\beta D_{st}^{(m)})$）。这些得分被归一化以确定每个模态在共识图中的全局权重 ($k_m$)。
   • 边精炼： 单个边的权重通过边特定的置信因子进行调整（$c_{ij}^{(m)} = \exp(-\alpha D_{st_{ij}}^{(m)})$）。这会衰减不可靠的边，同时保留一致的关系。
4. 共识图构建： 精炼后的模态特异性相似性矩阵被转换为图拉普拉斯矩阵（Graph Laplacians）。这些矩阵被融合为一个单一的加权共识拉普拉斯矩阵 ($L_{fusion} = \sum k_m \tilde{L}^{(m)}$)。
5. 谱优化： 该框架对融合后的拉普拉斯矩阵采用谱聚类。通过求解松弛后的图切割问题（最小化 RatioCut），该方法获得了患者群体的低维谱嵌入。
6. 亚型划分： 通过对生成的谱嵌入矩阵的行进行聚类（例如使用 k-means），从而识别出不同的癌症亚型。

核心贡献

• 自适应可扩展性： 与僵化的框架不同，OGC 可以将新的分子模态作为额外的相似性图纳入其中，而无需重新设计系统。新数据的贡献由其估计的邻域可靠性自动确定。
• 双层可靠性： 该框架在两个层面（全局权重和边级精炼）独特地解决了可靠性问题，从而允许系统抑制即使在总体可靠的模态中也存在的噪声关系。
• 图切割优化： OGC 将多组学整合明确表述为一个图切割优化问题，这与可能无法直接优化划分目标的标准网络融合方法有所不同。
• 队列特异性适配： 加权机制允许不同分子模态的相对重要性根据所分析的特定癌症队列的特征而变化。

结果与验证
OGC 框架被应用于 The Cancer Genome Atlas (TCGA) 数据集，整合了基因表达、DNA 甲基化和 microRNA 表达。

• 生存分析： Kaplan-Meier 生存分析表明，在多种癌症类型中，OGC 衍生的亚组之间存在显著差异：
  • 胶质母细胞瘤 (GBM)：$P < 0.0001$
  • 肾透明细胞癌 (KIRC)：$P = 0.0031$
  • 肺腺癌 (LUAD)：$P = 0.041$
  • 两特征整合（甲基化和 miRNA）： 在一项仅整合 DNA 甲基化和 miRNA 的特定分析中，乳腺癌 (BRCA) 观察到显著分离（$P = 0.046$），GBM 也观察到显著分离（$P = 0.022$）。
• 自适应加权演示： 在 GBM 队列（三特征整合）中，由于平均 $D_{st}$ 最低（0.85），基因表达获得了最高的权重（0.788）；而 miRNA 由于高不一致性（$D_{st} = 4.10$）获得了最低权重（0.044）。在 GBM 的两特征分析（甲基化和 miRNA）中，甲基化的贡献大约是 miRNA 的两倍（$k_{methylation} = 0.659$ 对比 $k_{miRNA} = 0.341$）。这证实了该方法能够根据观察到的可靠性而非任意分配来优先处理数据。
• 生物学解释： 通路富集分析显示，OGC 衍生的聚类对应于不同的生物学表型。例如，在乳腺癌中，一个聚类以免疫激活（Th1/Th2/Th17 分化）为特征，而另一个聚类则表现出增殖特性（细胞周期进展）。
• 鲁棒性： 交叉验证实验显示调整兰德指数 (Adjusted Rand Index, ARI) $\geq 0.72$，表明具有很强的可重复性。基于 GBM 诊断年龄的纯度分析显示，与相似性网络融合 (SNF) 和基于置信度的整合 (CBI) 相比，OGC 实现了更高的聚类纯度。

意义与主张
本文主张 OGC 提供了一个灵活且具有数学依据的框架，用于癌症亚型分类，它超越了固定权重的整合方式。其主要意义在于其能够：

1. 容纳演进的数据： 允许整合表示随着新生物学信息的出现而演进，而无需丢弃先前捕获的关系。
2. 增强临床判别力： 生成在统计学上表现出显著生存差异的患者亚组，从而验证了计算衍生聚类的临床相关性。
3. 提供生物学解释性： 将患者相似性图与基因相似性网络联系起来，从而能够识别解释亚型分子基础的协调基因模块（例如，免疫反应 vs. 增殖）。
4. 提高聚类质量： 通过引入可靠性感知的图精炼，与传统的融合方法相比，OGC 能够产生更连贯且更具生物学解释性的聚类。

作者将 OGC 定位为迈向自适应、进展感知型多组学分析的基础性步骤，并强调该框架的价值在于让观察到的分子结构来决定数据模态的贡献，而不是强加静态假设。