基于机器学习的癌症功能蛋白网络构建与分析：FunMap的开发及其在癌症机制解析中的应用

癌症是一种由多种遗传和表观遗传改变驱动的复杂疾病，其特征在于不受控制的细胞增殖和侵袭能力。这些变化通常伴随着基因组不稳定性、信号通路失调以及蛋白质网络重塑。近年来，随着高通量测序和质谱技术的进步，得以识别与癌症相关的大量基因突变和蛋白表达模式。然而，如何系统性地解析这些数据以揭示癌症的潜在机制，仍是一个未解决的挑战。传统蛋白-蛋白相互作用网络（Protein-Protein Interaction Networks, PPINs）在基因功能预测和突变优先排序中发挥了重要作用，但其数据多来源于非癌症环境，限制了其对癌症特定分子机制的解释能力。此外，这些网络未充分整合多组学数据（如蛋白质组学和转录组学），导致功能关联预测的准确性不足。为了克服上述挑战，本研究基于机器学习开发了FunMap，这是一种结合质谱蛋白质组学和RNA测序数据构建的功能性基因网络。通过系统性挖掘癌症背景下的蛋白质模块和层级关系，FunMap旨在揭示癌症的关键驱动因素和分子机制。

1. 数据整合

• 数据来源：研究使用了来自11种癌症类型的样本（如乳腺癌、肺癌、肝癌），涵盖1194名患者的数据集，包括肿瘤样本和邻近正常组织样本。

• 组学数据：整合了32个独立的质谱蛋白质组学（proteomics）和RNA测序（RNAseq）数据集。

• 基因对评估：基于每个数据集的基因对Pearson相关系数（PCC），计算了互信息排名（Mutual Rank, MR），用于评估基因对的共表达程度。

2. 模型训练

• 机器学习算法：使用极端梯度提升模型（XGBoost）构建分类器，利用50%“金标准”基因对作为训练集，区分功能相关和不相关基因对。

• 特征选择：模型结合了32个数据集的特征，包括肿瘤和正常组织的蛋白质和RNA水平表达。

• 功能网络构建：根据预测的功能相关性分数（log-likelihood ratio, LLR），筛选出高可信度的基因对，最终生成一个包含10,525个基因和196,800条边的功能网络（FunMap）。

3. 网络分析

• 模块检测：使用CORUM数据库和迭代团簇枚举算法（ICE）识别功能性密集模块。

• 层级分析：通过网络分级和模块化算法（NetSAM），构建FunMap的层级模块结构，探索模块在多尺度下的组织关系。

• 突变关联：将癌症相关突变（如TP53、KEAP1）与网络模块的蛋白质丰度关联，通过XGBoost模型评估基因突变对模块功能的影响。

• 数据覆盖： 图1a显示了11种癌症中蛋白质和RNA表达的覆盖范围，每种癌症的蛋白质表达基因数量在7,961至11,815之间，RNA表达基因数量在17,733至19,113之间。肿瘤样本中，质谱蛋白质表达的功能相关性（LLR）普遍高于RNA，表明蛋白质水平的数据更能捕捉基因的功能关联。
• 功能预测能力： 蛋白质共表达在功能预测中的表现优于RNA，LLR值随数据集排名下降的趋势在蛋白质数据中表现得更加缓慢。这种趋势在肿瘤样本中尤为显著，进一步支持蛋白质共表达作为基因功能关联强预测因子的结论。

2：FunMap网络的功能相关性和拓扑特征

• LLR与网络覆盖：FunMap在功能相关性和覆盖范围上显著优于其他网络（如STRING、BioGRID）。通过XGBoost模型的整合，LLR超过3.912的边数达196,800条，表明这些边连接的基因对具有极高的功能关联可信度。
• 网络拓扑：FunMap展示了无标度特性，度分布服从幂律分布，表明其具有高度模块化和中心节点特性。此外，其聚类系数较高（与STRING相似），路径长度较短，进一步体现其在功能模块化和癌症相关性分析中的优势。

3：癌症相关的密集模块

• 功能模块检测：FunMap通过与CORUM数据库的比对发现，与癌症相关的功能模块显著富集，例如细胞外基质（ECM）相关模块（Clique 160）在肿瘤中过表达，与癌症侵袭性和不良预后显著相关。
• 临床意义：ECM模块高表达的肿瘤患者生存率显著下降。相比之下，与细胞粘附相关的Clique 46模块低表达，可能导致肿瘤细胞运动性和侵袭性的增强，其低表达的肿瘤显示更差的预后。

4：FunMap的层级模块化结构

• 多层级组织：通过NetSAM算法，FunMap被分解为8个层级，共255个模块。图4展示了显著关联癌症标志的10大模块分支，如逃避免疫破坏、抗细胞死亡和基因组不稳定性等。

• 模块间功能联系： 例如，L3_M55模块主要参与蛋白质折叠，而其子模块L4_M58和L4_M59进一步细化为蛋白质折叠和运输功能，这些模块的功能与肿瘤细胞快速增殖所需的蛋白质稳态密切相关。

5：蛋白质折叠与运输模块的深入分析

• 模块功能分析： 蛋白质折叠模块（L4_M58）在肿瘤中过表达，显著关联患者的不良生存率，提示其可能通过增强蛋白质稳态维持而促进肿瘤进展。抗血管生成模块（L3_M19）在肿瘤中低表达，与更好的生存预后相关，表明其可能在肿瘤抑制中发挥作用。
• 临床相关性： 在多个癌症类型中，如肝癌和肺癌，L4_M58的高表达显著预测较差的预后，而L3_M19的低表达提示预后改善。

6：基因突变与功能模块的关联

• 突变与蛋白丰度：KEAP1突变显著影响L2_M40模块的蛋白质丰度，其基因均为NRF2通路的靶标。L2_M40模块在KEAP1突变的样本中显著过表达。TP53突变则主要影响COP9信号体模块（L3_M58），显著降低该模块的蛋白质丰度。

• 功能反馈：TP53突变可能通过破坏信号体模块的负反馈机制，导致p53蛋白水平异常积累，这与肿瘤中p53的稳定性和癌症进展相关。

7：未充分研究蛋白的功能预测

• “暗基因”解析：FunMap预测了700个“暗基因”（无文献记录）的潜在功能，发现其中496个基因的网络邻域显著富集于特定功能，如核糖体RNA加工、蛋白质修饰等。

• 示例分析： RBM34和RBM12B在肿瘤中过表达，且与核糖体RNA加工相关，提示其可能通过调控翻译过程在癌症发生中发挥作用。

8. FunMap的临床应用潜力

网络与临床数据整合： FunMap整合了蛋白模块与患者生存数据，为个性化治疗提供了新的可能性。例如，CXorf38的蛋白表达与免疫评分显著相关，而MAB21L4的表达水平在不同肿瘤分级中表现出规律性变化。

• 蛋白质与RNA共表达比较：蛋白质水平的共表达比RNA水平更能准确预测基因功能关联，尤其在肿瘤样本中表现显著。

• 网络构建与性能：FunMap网络包含10,525个基因和196,800条功能相关边，功能相关性和覆盖范围显著优于其他网络（如STRING和BioGRID）。

• 模块分析：识别出多个癌症相关密集模块，包括细胞外基质（ECM）模块，其高表达与多种癌症的不良预后显著相关。

• 层级结构：FunMap展示了多层级模块化结构，显著关联癌症标志（如逃避免疫破坏、抗细胞死亡等）。

• 基因突变关联：KEAP1和TP53等癌症驱动突变显著影响特定功能模块的蛋白质丰度，揭示了突变-蛋白网络的功能关联。

• 未充分研究蛋白功能预测：FunMap有效预测了700个无文献记录的“暗基因”功能，其中496个基因显著富集于癌症相关功能。

• 临床应用潜力：FunMap通过结合生存数据和功能模块分析，提供了个性化治疗和生物标志物发现的可能性。