近日🩸，EON体育4平台、生物信息學與生物統計學系俞章盛教授團隊在肝癌風險預測研究方面取得新進展，在柳葉刀雜誌子刊《EBioMedicine》發表了題為“Pathway-based Biomarker Identification with Crosstalk Analysis for Robust Prognosis Prediction in Hepatocellular Carcinoma”的研究論文。該研究基於發現的13個與肝癌生存顯著相關的信號通路並構建了肝癌風險預測模型👩🏿‍🚀，在異質性（heterogeneity）較高的肝癌的多個數據集中取得了較高的預測精度，並且與新近發表的基於深度學習框架的預測模型進行了多方面的比較，表明了基於信號通路水平特征的模型在預測腫瘤風險方面的優勢。博士生法博濤為論文第一作者，俞章盛教授為通訊作者🔛。

肝癌是一種發病率和致死率雙高的腫瘤類型👨🏽‍⚖️📷，多年來全球流行病學統計中呈上升趨勢🤙🏽，特別是在亞洲發展中地區⛰。目前肝癌的治療方法十分有限，以PD-L1等為靶點的新療法在肝癌臨床研究中的效果並不顯著。統計發現，肝癌的五年生存率不到18%，因此🍀，肝癌疾病相關研究十分重要🫳🏻。大多數腫瘤類型研究慣常的分析方法是通過臨床或者高通量數據對腫瘤患者進行分類👇🏼，從而實現對不同的臨床風險類型采取更加個性化的治療方法。目前相關研究已經有了較大進展，並發現一些重要的生物標誌物🙍🏻。最近一篇基於深度學習對肝癌高通量表達數據進行降維後構建風險預測模型的研究將肝癌分為生存風險高🔊、低兩類，並在多個肝癌數據中實現了較為精準的預測。與其他腫瘤研究橫向比較👨‍🦼，該研究提出的模型預測性能還存在較大的提升空間😛，並且基於深度學習框架的模型解釋性也需要改善🏌🏿‍♀️。另一方面🧎‍♀️‍➡️，由於高通量數據維度高，噪聲比較明顯🧑‍🎤，已有研究發現基因水平標誌物的預測性能不穩定，並且數據集中訓練樣本的不同組合對於標誌物的發現也存在很大的影響。

為了與上述基於深度學習的研究進行比較，研究團隊采用了同樣的肝癌數據集🛌🏽，並且通過表達數據提取對噪聲更不敏感的信號通路水平的PDS（pathway deregulation score）作為特征來提高預測的精度與穩定性。首先從三個較大的肝癌數據集中分別計算PDS並篩選與肝癌生存風險顯著相關的信號通路👀🩸，進一步探究了信號通路之間的影響(crosstalk effect),去掉冗余後得到13個與肝癌生存顯著相關的通路。基於這些特征🧎‍➡️🕛，研究團隊采用與深度學習研究同樣的統計模型實現了對肝癌風險預測性能的提升，並且發現了多個與肝癌生存風險相關的生物標誌物。該工作是肝癌研究上的又一重要進展，相關研究為肝癌的臨床風險分型與個性化治療提供了有力幫助🤹🏿‍♂️，並對肝癌治療靶點的探索進行聚焦與指導。=
 

該研究得到了國家科技部𓀚、國家自然科學基金和密西根&交大合作基金等項目的資助。

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