《Genome Medicine》：DNA methylation biomarkers-based pan-cancer classifier: predictive modeling for cancer classification
编辑推荐：
背景：基于组学数据的机器学习（ML）驱动分子诊断有望革新精准医疗，但ML融入诊断流程受方法学挑战阻碍，常导致模型开发阶段性能评估虚高、落地阶段表现不佳。本研究旨在开发并验证基于DNA甲基化数据的泛癌分类框架，解决组学数据驱动ML的方法学难题。
方法：研究人员整
背景：基于组学数据的机器学习（ML）驱动分子诊断有望革新精准医疗，但ML融入诊断流程受方法学挑战阻碍，常导致模型开发阶段性能评估虚高、落地阶段表现不佳。本研究旨在开发并验证基于DNA甲基化数据的泛癌分类框架，解决组学数据驱动ML的方法学难题。
方法：研究人员整理包含54种健康及癌组织类型的10756份样本DNA甲基化谱作为主数据集，以及来自28项独立研究的2306份样本验证数据集。分类框架采用基于效应量指标（兼顾方差与类别不平衡）的自定义生物标志物筛选策略，通过嵌套交叉验证（nested cross-validation）训练、调优和评估ML模型，推理流程嵌入局部离群因子（Local Outlier Factor, LOF）算法识别并过滤存在技术或生物学异常的样本，同时用3905份中枢神经系统（CNS）肿瘤甲基化谱进行方法学验证。
结果：相对简单的ML模型优于深度神经网络等复杂算法，逻辑回归分类器仅用1208个CpG位点的甲基化水平，对54种癌与正常组织类型的平衡准确率（Balanced Accuracy, BACC）达0.90；基于逻辑回归的CNS肿瘤分类器对59种CNS肿瘤亚型的BACC达0.94，异常过滤在所有测试样本中均提升了模型性能。
结论：研究表明，DNA甲基化谱结合严格控制的ML实践可开发稳健解决方案，大幅提升肿瘤诊断效能，推理流程已部署于安全网络平台https://opp.pum.edu.pl/供公共访问。
该研究发表于《Genome Medicine》，聚焦组学驱动机器学习在肿瘤分子诊断中的落地瓶颈。当前基于高通量组学数据的诊断模型普遍面临开发阶段性能虚高、独立验证阶段表现骤降的困境，核心原因包括批次效应、数据泄漏、维度灾难、模型复杂度失衡及独立标准化验证集匮乏。与此同时，遗传生物标志物对现代诊断的提升已进入瓶颈期，而DNA甲基化作为表观基因组核心标记，已在中枢神经系统肿瘤分类、液体活检早筛、治疗反应预测中展现明确临床价值，但缺乏覆盖多癌种、方法学严谨的泛癌分类体系。为此研究人员开展了一项大规模DNA甲基化泛癌分类研究，构建了目前样本覆盖最广、方法学控制最严格的甲基化组泛癌及中枢神经系统肿瘤分类框架，证实简单模型结合严谨数据处理可实现优于复杂算法的诊断性能，为临床转化提供了可直接部署的工具。
研究人员开展研究的核心技术方法包括：样本队列整合了主数据集10756份（含54种健康与癌组织，来自GDC、GEO及既往研究）、独立验证数据集2306份（来自28项GEO研究）及3905份中枢神经系统肿瘤参考数据集；原始IDAT文件采用SeSAMe R包统一处理，保留跨Illumina 450K、EPICv1、EPICv2平台的366999个共有CpG位点，按供者而非样本拆分训练测试集以避免数据泄漏；自定义效应量（Effect Size, ES）指标筛选生物标志物，结合全局与局部β值转换增强特征区分度；采用嵌套交叉验证训练7种常用机器学习模型，以平衡准确率（BACC）为核心评估指标；嵌入局部离群因子（LOF）算法实现推理阶段的异常样本过滤；最终基于Docker与Nextflow构建可复现的在线推理平台Omics-based Predictive Platform（OPP）。
研究结果分为五个部分。第一，基于供者的训练测试拆分策略可有效避免数据泄漏：常规按样本拆分会导致同一供者的多个甲基化谱进入不同子集，造成性能高估，按供者拆分则保证子集互斥，消除该偏差。第二，自定义效应量指标可提升生物标志物筛选可靠性：传统p值与差值指标未考虑方差，易导致低区分度标记入选，效应量同时纳入组间差异与组内方差，且与类别不平衡适配，筛选出的标记区分度显著更优。第三，特征工程可增强生物标志物判别力：全局转换（校正样本整体甲基化水平）与局部转换（校正邻近1000 bp窗口内CpG位点甲基化水平）后的β值，在14/25种组织起源分类中成为区分度最高的特征，最终筛选出的1208个独立标记经无监督聚类可清晰区分54种组织类型，调整互信息（AMI）达0.78。第四，简单机器学习模型性能优于复杂算法：逻辑回归与支持向量机在嵌套交叉验证中BACC显著高于随机森林、多层感知机等复杂模型，最终逻辑回归模型在主测试集BACC达0.90，误分类多集中于同组织起源的不同亚型，模型置信度与预测正确性显著相关，校准度良好。第五，异常检测提升分类可信度：LOF算法在独立验证集中过滤异常样本后，原发瘤与正常组织分类BACC从0.85提升至0.88，转移灶分类BACC从0.91提升至0.95，非异常样本误分类风险降低约78%。第六，泛癌分类器在循环游离DNA（cfDNA）中展现初步适用性：对11例已发表cfDNA样本的测试中，总体正确分类率为54.5%，其中乳腺癌样本正确率100%、结直肠癌样本75%，肺癌样本因造血细胞来源的cfDNA干扰被误判为正常血液来源。第七，中枢神经系统肿瘤分类器性能优于现有方案：基于相同参考数据集，将分析限定为≥15例样本的59个亚型后，仅用1796个标记的逻辑回归模型BACC达0.94，较原研模型的88%准确率进一步提升，且模型更简洁、可解释性更强。第八，模型已部署至公开平台：Omics-based Predictive Platform（OPP）采用Django+PostgreSQL架构，通过Celery任务队列与Nextflow工作流管理，实现标准化预处理、质量控制与推理服务，支持远程工作流自动注册与HTTPS加密通信。
讨论部分指出，组学诊断的落地瓶颈更多源于数据质量与方法学规范，而非单纯增加样本量或模型复杂度。本研究证实，严格的数据泄漏防控、适配组学特性的生物标志物筛选、轻量化模型选择与异常检测嵌入，可在大幅降低特征维度的同时提升泛化性能。该框架为甲基化组诊断的临床转化提供了可复现的范式，未来可扩展至预后预测、治疗反应分层等场景。
研究结论明确：DNA甲基化谱联合严格设计的、可复现的机器学习工作流，可构建高性能的癌与正常组织分类框架。该泛癌与中枢神经系统肿瘤分类器在覆盖类别广度与准确率上均优于现有方案，证实逻辑回归等简单模型在严谨数据处理支持下可实现更优性能，为肿瘤分子诊断提供了可直接落地的工具。
