模型开发与解释性扩展
使基础组织分类模型适应异质性数据，并提供可解释的预测。
基于34种健康组织的公共蛋白质组数据训练随机森林模型，并扩展SHAP值重构组织评分，实现每个蛋白质的贡献分解；采用per-sample min-max归一化以适应不同模态；引入惩罚因子处理缺失蛋白。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
MLMarker：一种用于组织推断和生物标志物发现的机器学习框架
MLMarker: a machine learning framework for tissue inference and biomarker discovery
实验完整度
高包含算法开发、模拟实验、三个公共数据集的独立验证及SHAP解释性分析，涵盖多种数据来源和验证层次。
主要模型
脑黑色素瘤转移样本（PXD007592） 脑脊液样本（PXD008029） 血浆样本（PXD008029） 泛癌FFPE组织样本（MSV000095036）
重点核对
训练数据集：34种健康组织，固定特征空间包含5,979个蛋白质 惩罚因子λ的值及启用条件（λ=1或自适应函数） 数据预处理：per-sample min-max normalization，缺失蛋白置为零 再处理流程：ionbot肽鉴定、FlashLFQ定量、MSqRob2差异表达分析 组织映射策略：严格映射和扩展映射的准确率评估
摘要
MLMarker是一种机器学习工具，可为蛋白质组学数据计算连续的组织相似性评分，解决了解释复杂或稀疏数据集的挑战。该工具基于34种健康组织训练，其随机森林模型生成基于SHAP的蛋白质水平解释的概率性预测。惩罚因子校正缺失蛋白质，提高了低覆盖率样本的稳健性。在三个公共数据集中，MLMarker揭示了脑黑色素瘤转移中的脑样特征，在泛癌队列中实现了高准确性，并鉴定了生物体液中的脑和垂体起源。MLMarker为组织推断和假设生成提供了一个可解释的框架，可作为Python包和Streamlit应用使用。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 如何利用公共蛋白质组学数据开发一种可解释的机器学习工具，以提供连续的组织相似性评分，并应用于复杂或稀疏数据集的组织推断和生物标志物发现？
- 核心机制
- 基于随机森林模型将样本与健康组织参考图谱比较，通过SHAP值提供蛋白质水平的解释，并引入惩罚因子调整缺失蛋白的影响。
- 主要证据
- 在脑黑色素瘤转移数据中，MLMarker识别出脑相似性梯度，且脑预测与不良治疗反应显著相关（Mann-Whitney p=1.31e-7）；在泛癌数据集中，MLMarker的top-1准确率在扩展映射下达72.9%，优于其他方法；在脑脊液和血浆中，MLMarker识别出脑和垂体起源。
- 研究意义
- MLMarker为组织推断和假设生成提供了一个可解释的框架，有助于揭示复杂样本中的组织相似性模式，并可作为差异表达分析的补充工具。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
惩罚因子评估模拟
评估不同缺失场景下惩罚因子对预测性能的影响。
在肝组织（PXD009021）和脑脊液（PXD008029）数据上模拟三种缺失机制（MCAR、MNAR、定向缺失），改变缺失率和惩罚因子（固定和自适应），评估top-1准确率、排名稳定性和过度校正。
脑黑色素瘤转移数据重分析
探究脑转移瘤的组织来源，并验证MLMarker能否揭示隐藏的亚结构。
重新处理PXD007592数据（ionbot鉴定、FlashLFQ定量、MSqRob2差异表达），应用MLMarker计算组织相似性，分析脑相似性与治疗反应的关系，并进行SHAP分析和差异表达分析分层。
脑脊液和血浆数据应用
评估MLMarker在生物体液样本上的适用性，并展示惩罚因子的作用。
对PXD008029的脑脊液和血浆样本计算组织相似性评分，比较惩罚因子使用前后的排名变化，并通过SHAP分析识别关键贡献蛋白。
泛癌FFPE数据集重分析
评估MLMarker在多种癌症组织中的分类性能，并比较与参考图谱方法的优劣。
使用MSV000095036的处理后数据，应用MLMarker预测组织来源，计算top-1和top-k准确率，并与基于人类蛋白质图谱、ProteomicsDB和MLMarker训练图谱的Spearman相关和KNN方法比较。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 模型训练 | 训练数据：34种健康组织；特征空间：5,979个蛋白质；固定特征验证和归一化 阅读提示：MLMarker package部分 |
| 数据重处理 | ionbot鉴定参数（前体质量容差±10 ppm，片段质量容差±20 ppm，PSM FDR<1%）；FlashLFQ定量（match-between-runs关闭）；MSqRob2差异表达（log2转换，中位数中心化，至少4个样本检测，BH校正α=0.01） 阅读提示：Materials and methods: Reprocessing pipeline |
| 惩罚因子模拟 | 模拟数据：PXD009021（肝）和PXD008029（脑脊液）；缺失机制：MCAR、MNAR、定向；缺失率0-80%；重复10次；λ值固定和自适应 阅读提示：Materials and methods: Penalty factor evaluation |
| 组织相似性预测 | 输入数据格式：样本×蛋白质矩阵；缺失蛋白置零；per-sample min-max归一化；惩罚因子λ=1或自适应；SHAP值计算 阅读提示：MLMarker package部分 |
| 脑黑色素瘤数据分析 | 样本分组：良好反应（PFS≥6个月）vs不良（PFS<3个月）；MLMarker脑相似性评分比较；差异表达分析分组：脑预测vs非脑预测 阅读提示：Results: Cerebral melanoma metastases部分及图4、图7 |