EBioMedicine：基于信号通路的肝癌风险预测模型

　　

上海交通大学生命科学技术学院、生物信息学与生物统计学系俞章盛教授团队在肝癌风险预测研究方面取得新进展，在柳叶刀杂志子刊《EBioMedicine》发表了题为“Pathway-based Biomarker Identification with Crosstalk Analysis for Robust Prognosis Prediction in Hepatocellular Carcinoma”的研究论文。该研究基于发现的13个与肝癌生存显著相关的信号通路并构建了肝癌风险预测模型，在异质性（heterogeneity）较高的肝癌的多个数据集中取得了较高的预测精度，并且与新近发表的基于深度学习框架的预测模型进行了多方面的比较，表明了基于信号通路水平特征的模型在预测肿瘤风险方面的优势。博士生法博涛为论文第一作者，俞章盛教授为通讯作者。 

肝癌是一种发病率和致死率双高的肿瘤类型，多年来全球流行病学统计中呈上升趋势，特别是在亚洲发展中地区。目前肝癌的治疗方法十分有限，以PD-L1等为靶点的新疗法在肝癌临床研究中的效果并不显著。统计发现，肝癌的五年生存率不到18%，因此，肝癌疾病相关研究十分重要。大多数肿瘤类型研究惯常的分析方法是通过临床或者高通量数据对肿瘤患者进行分类，从而实现对不同的临床风险类型采取更加个性化的治疗方法。目前相关研究已经有了较大进展，并发现一些重要的生物标志物。最近一篇基于深度学习对肝癌高通量表达数据进行降维后构建风险预测模型的研究将肝癌分为生存风险高、低两类，并在多个肝癌数据中实现了较为精准的预测。与其他肿瘤研究横向比较，该研究提出的模型预测性能还存在较大的提升空间，并且基于深度学习框架的模型解释性也需要改善。另一方面，由于高通量数据维度高，噪声比较明显，已有研究发现基因水平标志物的预测性能不稳定，并且数据集中训练样本的不同组合对于标志物的发现也存在很大的影响。 

为了与上述基于深度学习的研究进行比较，研究团队采用了同样的肝癌数据集，并且通过表达数据提取对噪声更不敏感的信号通路水平的PDS（pathway deregulation score）作为特征来提高预测的精度与稳定性。首先从三个较大的肝癌数据集中分别计算PDS并筛选与肝癌生存风险显著相关的信号通路，进一步探究了信号通路之间的影响(crosstalk effect),去掉冗余后得到13个与肝癌生存显著相关的通路。基于这些特征，研究团队采用与深度学习研究同样的统计模型实现了对肝癌风险预测性能的提升，并且发现了多个与肝癌生存风险相关的生物标志物。该工作是肝癌研究上的又一重要进展，相关研究为肝癌的临床风险分型与个性化治疗提供了有力帮助，并对肝癌治疗靶点的探索进行聚焦与指导。

原文标题：

Pathway-based Biomarker Identification with Crosstalk Analysis for Robust Prognosis Prediction in Hepatocellular Carcinoma

https://www.ebiomedicine.com/article/S2352-3964(19)30311-1/fulltext；
DOI: https://doi.org/10.1016/j.ebiom.2019.05.010