基因集构建与样本过滤
构建癌症相关基因集并筛选样本以确保分类任务的可行性。
整合Vogelstein、Bailey和COSMIC三个基因集，去除仅融合基因注释的基因；根据过滤标准（突变样本数≥15且≥5%）保留每个基因的有效癌症类型；进一步合并样本交集。
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
癌症突变状态的组学谱中存在广泛的冗余性
Widespread redundancy in -omics profiles of cancer mutation states
实验完整度
中研究基于公开的TCGA数据，利用弹性网络逻辑回归等机器学习方法进行预测，包括基因表达、DNA甲基化等数据，并进行了交叉验证和统计比较，但缺乏体外或体内功能实验验证，属于计算分析。
主要模型
TCGA泛癌样本队列（9074个样本，33种癌症类型） 癌症相关基因集（268个基因） 多重组学数据集（表达、甲基化、RPPA、microRNA、突变特征）
重点核对
基因集选择：癌症相关基因集（n=268）相比于随机基因和最多突变基因 样本过滤：癌症类型至少15个突变样本且至少5%突变率 数据标准化：所有特征取z-score 分类器：弹性网络逻辑回归，包含协变量癌症类型和log10(样本突变数) 评估指标：AUPR相对置换标签基线的差异，使用配对t检验和FDR校正
摘要
背景：在癌症细胞功能研究中，研究人员越来越多地可以从多种组学检测中作为功能读数进行选择。为特定研究选择正确的读数可能很困难，而哪一层细胞功能最适合捕获相关信号仍不清楚。结果：我们考虑从功能性组学数据预测癌症突变状态（存在与否）作为一个代表性任务，该任务为量化和比较不同组学读数捕获癌症失调信号的能力提供了机会。从包含遗传改变数据的TCGA泛癌图谱中，我们重点关注RNA测序、DNA甲基化芯片、反相蛋白阵列（RPPA）、microRNA和体细胞突变特征作为组学读数。在一组在癌症中反复突变的基因中，RNA测序往往是突变状态最有效的预测因子。我们发现，对于许多基因来说，一个或多个其他数据类型大致上是同样有效的预测因子。不同突变之间的性能差异大于同一突变不同数据类型之间的差异，而最佳数据类型之间的差异很小。我们还发现，将数据类型组合成单个多组学模型相比最佳单一数据类型几乎没有或没有提高预测能力。结论：基于我们的结果，对于聚焦癌症突变功能结果的研究设计，通常有多个组学类型可以作为有效的读数，尽管基因表达似乎是一个合理的默认选择。补充信息：在线版本包含补充材料，可在10.1186/s13059-022-02705-y获取。
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
- 在预测癌症突变状态时，不同组学读数（基因表达、DNA甲基化、RPPA、microRNA、突变特征）的能力如何比较，多组学整合是否能提高预测性能？
- 核心机制
- 不同组学读数在捕捉突变信号方面存在冗余，基因表达通常最有效，但对许多基因其他数据类型也类似有效；多组学整合提供很少或没有额外预测增益。
- 主要证据
- 基于TCGA泛癌数据，对268个癌症相关基因分别用不同组学特征（压缩或不压缩）训练弹性网络逻辑回归，评估AUPR相对置换标签基线；并比较单组学与多组学模型，发现性能相似。
- 研究意义
- 研究结果为癌症突变功能研究的设计提供指导，表明存在多个有效的组学读数，基因表达可作为合理默认选择，但应基于目标基因参考Fig. 6做出个性化选择。
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。
单组学突变分类器训练
评估每种组学数据单独预测癌症基因突变状态的能力。
对每个基因，利用弹性网络逻辑回归模型，以组学特征（如表达、甲基化等）预测突变标签，采用4折交叉验证重复2次。
单组学性能比较与统计检验
比较不同组学数据在突变分类上的性能，并识别显著优于基线的基因。
计算每个基因每种数据类型的AUPR相对置换标签基线的差值，使用配对t检验进行统计比较，并进行多假设校正。
多组学模型构建与评估
评估整合多个组学数据是否比单一数据类型提高突变预测能力。
对六个目标基因（EGFR、IDH1、KRAS、PIK3CA、SETD2、TP53），将表达、27K甲基化、450K甲基化的特征拼接后训练弹性网络逻辑回归，并与最佳单组学模型比较。
泛癌生存预测
评估各个组学数据在预测患者生存结果上的表现，作为突变预测的补充。
使用Cox回归模型，以组学主成分为特征，协变量包括年龄、突变负担和癌症类型，预测总体生存（或进展时间间隔）。
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
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 数据获取 | TCGA泛癌图谱 | -- | -- |
| 突变检测 | MC3 | -- | -- |
| 拷贝数检测 | GISTIC2.0 | -- | -- |
| 甲基化检测 | Illumina Infinium 27K BeadChip | Illumina | -- |
| Illumina Infinium 450K BeadChip | Illumina | -- | |
| 表达检测 | RNA测序 | -- | -- |
| 蛋白质检测 | 反相蛋白阵列（RPPA） | -- | -- |
| microRNA表达 | microRNA表达数据 | -- | -- |
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 |
|---|---|
| 突变标签生成 | 突变调用来自MC3，拷贝数阈值来自GISTIC2.0；阳性定义：基因存在非沉默体细胞突变或致癌基因拷贝数扩增/抑癌基因拷贝数缺失 阅读提示：Methods: Mutation data download and preprocessing |
| 数据预处理 | 所有特征z-score标准化；表达数据使用MAD前8000个基因；甲基化数据中移除缺失值最多的10个样本，均值插补，丢弃仍有缺失的探针 阅读提示：Methods: Omics data download and preprocessing |
| 样本过滤 | 每个靶基因的癌症类型需至少15个突变样本且至少5%突变率；样本交集如9074、7981、5226 阅读提示：Methods: Comparing data modalities |
| 分类器训练 | 弹性网络逻辑回归，包含协变量癌症类型和log10(样本突变计数)；超参数：λ∈[0.0,0.05,0.1,0.3,0.5,0.7,0.9,1.0]，α∈[0.0001,0.001,0.01,0.1,1,10]；评价指标AUPR 阅读提示：Methods: Training classifiers to detect cancer mutations |
| 多组学模型 | 特征拼接：各数据类型的前5000PC；多组学组合包括表达、27K甲基化、450K甲基化的两两组合和三者组合；目标基因：EGFR, IDH1, KRAS, PIK3CA, SETD2, TP53 阅读提示：Methods: Multi-omics mutation prediction experiments |