现代预防医学

类别	特征描述	特征数	样本量
mRNA	原始数量	60 660	310
	Reactome通路注释基因数	8 809	310
	通路过滤后（移除基因数<15或>300的通路）	6 753	310
	染色体过滤后	6 719	310
	低方差过滤后	3 154	310
	最终mRNA特征数	3 154	310
Reactome通路	初始通路数	1 525
	过滤后（移除基因数<15或>300的通路）	581
miRNA	原始数量	1 881	312
	低方差过滤后	708	312
	最终miRNA特征数	708	312
最终样本量	有完整组学数据		261

类别	特征描述	特征数	样本量
mRNA	原始数量	60 660	310
	Reactome通路注释基因数	8 809	310
	通路过滤后（移除基因数<15或>300的通路）	6 753	310
	染色体过滤后	6 719	310
	低方差过滤后	3 154	310
	最终mRNA特征数	3 154	310
Reactome通路	初始通路数	1 525
	过滤后（移除基因数<15或>300的通路）	581
miRNA	原始数量	1 881	312
	低方差过滤后	708	312
	最终miRNA特征数	708	312
最终样本量	有完整组学数据		261

项目	Train （n=166）	Test （n=95）	χ²/z	P值
年龄（岁）	48.3±14.0	46.9±12.9	0.916	0.648
种族［n（%）］			2.289	0.130
White	134（80.7）	69（72.6）
其他	32（19.3）	26（27.4）
疾病分期［n（%）］			0.500	0.480
stage_i	112（67.5）	60（63.2）
stage_ii	54（32.5）	35（36.8）
生存状态［n（%）］			0.592	0.442
存活	126（75.9）	68（71.6）
死亡	40（24.1）	27（28.4）

项目	Train （n=166）	Test （n=95）	χ²/z	P值
年龄（岁）	48.3±14.0	46.9±12.9	0.916	0.648
种族［n（%）］			2.289	0.130
White	134（80.7）	69（72.6）
其他	32（19.3）	26（27.4）
疾病分期［n（%）］			0.500	0.480
stage_i	112（67.5）	60（63.2）
stage_ii	54（32.5）	35（36.8）
生存状态［n（%）］			0.592	0.442
存活	126（75.9）	68（71.6）
死亡	40（24.1）	27（28.4）

组别	Train	Test
Model	AutoSurv	Deepsurv	Cox-nnet	AutoSurv	Deepsurv	Cox-nnet
C-index（95%CI）	0.85（0.82~0.87）	0.84（0.79~0.86）	0.84（0.69~0.88）	0.78（0.75~0.81）	0.59（0.55~0.62）	0.68（0.57~0.79）
AUC（1Year）（95%CI）	0.88（0.85~0.90）	0.87（0.83~0.89）	0.81（0.70~0.83）	0.84（0.81~0.87）	0.54（0.51~0.59）	0.75（0.56~0.71）
AUC（3Year）（95%CI）	0.85（0.82~0.88）	0.84（0.80~0.87）	0.85（0.74~0.87）	0.78（0.76~0.85）	0.63（0.59~0.67）	0.63（0.55~0.77）
AUC（5Year）（95%CI）	0.86（0.83~0.89）	0.81（0.75~0.83）	0.80（0.69~0.82）	0.77（0.75~0.81）	0.68（0.63~0.70）	0.70（0.51~0.76）
Log-rankP	<0.001	<0.001	<0.001	0.013	0.413	<0.01

组别	Train	Test
Model	AutoSurv	Deepsurv	Cox-nnet	AutoSurv	Deepsurv	Cox-nnet
C-index（95%CI）	0.85（0.82~0.87）	0.84（0.79~0.86）	0.84（0.69~0.88）	0.78（0.75~0.81）	0.59（0.55~0.62）	0.68（0.57~0.79）
AUC（1Year）（95%CI）	0.88（0.85~0.90）	0.87（0.83~0.89）	0.81（0.70~0.83）	0.84（0.81~0.87）	0.54（0.51~0.59）	0.75（0.56~0.71）
AUC（3Year）（95%CI）	0.85（0.82~0.88）	0.84（0.80~0.87）	0.85（0.74~0.87）	0.78（0.76~0.85）	0.63（0.59~0.67）	0.63（0.55~0.77）
AUC（5Year）（95%CI）	0.86（0.83~0.89）	0.81（0.75~0.83）	0.80（0.69~0.82）	0.77（0.75~0.81）	0.68（0.63~0.70）	0.70（0.51~0.76）
Log-rankP	<0.001	<0.001	<0.001	0.013	0.413	<0.01

基于可解释性的深度学习模型在宫颈鳞状细胞癌预后预测中的研究

PDF下载

武舒琪 ¹ , 刘毅蓉 ¹ , 房瑞玲 ¹^,² , 赵晋芳 ¹^,² , 罗天娥 ¹^,²

现代预防医学 | 临床与预防 2026,53(14): 2676-2682

收起

现代预防医学 |临床与预防 2026 , 53 (14) : 2676 -2682

基于可解释性的深度学习模型在宫颈鳞状细胞癌预后预测中的研究

全屏

武舒琪¹, 刘毅蓉¹, 房瑞玲¹^,², 赵晋芳¹^,², 罗天娥¹^,²

作者信息

^1.山西医科大学公共卫生学院卫生统计学教研室，山西太原 030001

^2.煤炭环境致病与防治教育部重点实验室（山西医科大学）

通讯作者:

罗天娥，E-mail：luotiane1977@163.com

作者简介:

武舒琪（2000—），女，硕士在读，研究方向：深度学习方法在疾病预后预测中的应用

Interpretable deep learning models for prognosis prediction in cervical squamous cell carcinoma

Shu-qi WU¹, Yi-rong LIU¹, Rui-ling FANG¹^,², Jin-fang ZHAO¹^,², Tian-e LUO¹^,²

Affiliations

Department of Health Statistics, School of Public Health, Shanxi Medical University, Taiyuan, Shanxi 030001, China

出版时间: 2026-07-25 doi: 10.20043/j.cnki.MPM.202509110

文章导航

摘要

收起

目的

探讨整合多组学数据构建不同深度学习模型对宫颈鳞状细胞癌患者的预后预测价值并比较预测性能。

方法

使用TCGA（The Cancer Genome Atlas）数据库中宫颈鳞状细胞癌（CESC）的多组学数据经预处理后分别构建AutoSurv、DeepSurv和Cox-nnet三种预后预测模型，采用一致性指数（C-index）、时间依赖性受试者工作特征曲线下面积（AUC）和对数秩检验P值评价模型的预测效能。选择预测能力更优的AutoSurv模型，应用DeepSHAP进行可解释性分析，确定有助于区分高危和低危患者的mRNA和miRNA。

结果

不同模型测试集的C-index、1年AUC、3年AUC和5年AUC值结果显示：AutoSurv模型预测性能最佳（C-index：0.78（95%CI：0.75~0.81），AUC（1Year）：0.84（95%CI：0.81~0.87）、AUC（3Year）：0.78（95%CI：0.76~0.85）、AUC（5Year）：0.77（95%CI：0.75~0.81）。Kaplan-Meier生存曲线Log-rank检验结果表明，AutoSurv模型划分的高、低风险组患者生存差异有统计学意义（P=0.013）。AutoSurv模型在预测宫颈鳞状细胞癌患者预后方面的表现优于DeepSurv和Cox-nnet模型，通过DeepSHAP量化对预测结果有重要影响的mRNA和miRNA后识别出多个与宫颈鳞状细胞癌预后相关的变量，包括POLR2H、FN1、FYN、UBA52和RPS27A等，并富集到DNA损伤修复和NF-κB等分子信号通路。

结论

AutoSurv模型能准确预测CESC患者的生存风险（C-index：0.78（95%CI：0.75~0.81）），结合DeepSHAP方法提供有价值的可解释性分析，识别影响宫颈鳞状细胞癌预后的关键预测变量，揭示潜在的生物学机制，为临床工作者制定个性化治疗策略提供科学依据，为癌症的靶向治疗提供研究方向。

关键词

AutoSurv模型 / 可解释性 / 深度学习 / 预后预测 / 宫颈鳞状细胞癌

Abstract

收起

Objective

To investigate the prognostic value of different deep learning models constructed using integrated multi-omics data for patients with cervical squamous cell carcinoma and to compare their predictive performance.

Methods

Using preprocessed multi-omics data from the The Cancer Genome Atlas (TCGA) database for cervical squamous cell carcinoma (CESC), three prognostic prediction models—AutoSurv, DeepSurv, and Cox-nnet—were constructed. The predictive performance of the models was evaluated using the C-index, time-dependent area under the receiver operating characteristic curve (AUC), and the P-value of the log-rank test. The AutoSurv model, which demonstrated superior predictive capability, was selected for interpretability analysis using DeepSHAP to identify mRNAs and miRNAs that help distinguish high-risk from low-risk patients.

Results

The C-index, 1-year AUC, 3-year AUC, and 5-year AUC values for the different model test sets showed that the AutoSurv model had the best predictive performance (C-index: 0.78 (95%CI: 0.75-0.81), AUC (1-year): 0.84 (95%CI: 0.81-0.87), AUC (3-year): 0.78 (95%CI: 0.76-0.85), AUC (5-year): 0.77 (95%CI: 0.75-0.81). The Log-rank test of the Kaplan-Meier survival curves indicated that the survival difference between the high- and low-risk groups classified by the AutoSurv model was statistically significant (P=0.013). The AutoSurv model outperformed the DeepSurv and Cox-nnet models in predicting the prognosis of patients with cervical squamous cell carcinoma. After quantifying the mRNAs and miRNAs that significantly influence the prediction results using DeepSHAP, multiple variables associated with the prognosis of cervical squamous cell carcinoma were identified, including POLR2H, FN1, FYN, UBA52, and RPS27A, among others, which were enriched in molecular signaling pathways such as DNA damage repair and NF-κB.

Conclusion

The AutoSurv model can accurately predict survival risk in CESC patients (C-index: 0.78 (95%CI: 0.75-0.81)). Combined with the DeepSHAP method, it provides valuable interpretability analysis, identifies key predictive variables influencing the prognosis of cervical squamous cell carcinoma, and reveals underlying biological mechanisms. This provides a scientific basis for clinicians to develop personalized treatment strategies and offers a research direction for targeted cancer therapy.

Key words

AUTOSurv model / Interpretability / Deep learning / Prognosis prediction / Cervical squamous cell carcinoma

引用本文

武舒琪, 刘毅蓉, 房瑞玲, 赵晋芳, 罗天娥. 基于可解释性的深度学习模型在宫颈鳞状细胞癌预后预测中的研究. 现代预防医学, 2026 , 53 (14) : 2676 -2682 . DOI: 10.20043/j.cnki.MPM.202509110

Shu-qi WU, Yi-rong LIU, Rui-ling FANG, Jin-fang ZHAO, Tian-e LUO. Interpretable deep learning models for prognosis prediction in cervical squamous cell carcinoma[J]. Modern Preventive Medicine, 2026 , 53 (14) : 2676 -2682 . DOI: 10.20043/j.cnki.MPM.202509110

正文

收起

宫颈鳞状细胞癌（Cervical squamous cell carcinoma，CESC）是全球女性第四大最常见的恶性肿瘤^[1]。癌症的多组学数据为全面解释癌症的发生发展提供了可能，但是其高维度、低样本量的特点使得数据分析存在很大挑战^[2]。深度学习能够有效捕捉组学数据分子特征间的非线性关系^[3]，在预后预测中表现出色，但在实际研究中，样本量不足往往导致模型过拟合，进而影响预后预测的准确性。这类模型大多被视为“黑箱”，其内部决策机制难以理解，缺乏对已知生物学知识的有效利用。如何在保持模型预测性能的同时，提供对模型决策的解释，是一个亟待解决的关键问题。针对上述挑战，由Jiang^[4]等提出的AutoSurv模型将通路信息作为先验知识嵌入网络架构，利用mRNA和通路的生物学关联引导特征提取和降维，同时处理mRNA、miRNA和临床数据，并结合DeepSHAP进行可解释性分析，将预测结果转化为可理解的生物学知识。本研究首次将通路引导的可解释性深度学习模型AutoSurv^[4]应用于CESC的预后预测，并与传统的DeepSurv^[5]、Cox-nnet^[6]模型比较，为探索整合临床和多组学数据构建有效的预后预测模型、改善宫颈鳞状细胞癌患者预后提供数智化支持，为临床决策提供透明化的生物学依据。

1　数据和方法

收起

1.1　数据来源与处理

从UCSC Xena网站（https://xenabrowser.net）获取TCGA数据库中CESC患者的mRNA、miRNA、临床信息数据（年龄、种族、癌症分期）和生存数据（生存时间和生存状态）。其中mRNA数据以log₂（FPKM+1）的标准化计数提供，miRNA表达数据以log₂（RPM+1）的标准化计数表示。

从DAVID数据库（https://david.ncifcrf.gov/content.jsp?file=update.html）获取Reactome数据库版本78的通路信息。基于Reactome数据库注释，筛选出有通路注释的mRNA，过滤关联较少的通路（少于15个基因或超过300个基因）。使用biomaRt包从Ensemble数据库（https://www.ensembl.org/index.html?redirect=no）中获取相关基因的染色体信息，移除位于Y染色体和线粒体（MT）上的基因，仅保留常染色体和X染色体上的基因。为了减少噪声，过滤方差小于0.02的mRNA和miRNA，通过最小-最大归一化（Min-Max Normalization）处理将表达值缩放到［0，1］区间。对临床变量中的年龄，采用Z-score标准化；其余临床分类变量（种族、分期）进行二值化处理。癌症分期按照国际妇产科联合会（International Federation of Gynecology and Obstetric，FIGO）分期分为癌症早期stage_i（I-IIA）、癌症晚期stage_ii（IIB-IV）。mRNA、miRNA与临床数据进行合并，形成多组学数据集。

为了确保模型评估的独立性，数据预处理时将数据集按6∶4的比例划分为互不重合的训练集和测试集，训练集用于模型训练和超参数调优，而测试集在整个实验过程中未参与任何模型训练或超参数调优。

1.2　模型选择

本研究选用AutoSurv^[4]、DeepSurv^[5]和Coxnnet^[6]三种模型进行CESC患者的生存分析。对于AutoSurv模型，用通路信息引导的多组学变分自编码器^[7]（KLPMVAE）提取mRNA和miRNA的低维潜在特征z，将该潜在特征与临床变量和生存数据结合后输入潜在特征驱动的生存网络（LFSurv），计算患者的预后指数（Prognostic Index，PI）；模型训练采用两阶段超参数搜索策略：KL-PMVAE部分的学习率设为0.01，L₂正则化系数为0.005；LFSurv部分的学习率设为0.05，L₂正则化系数为0.000 25；内部验证使用Bootstrap方法，最后通过DeepSHAP解释方法识别对预测结果贡献最大的mRNA和miRNA。对于DeepSurv模型，输入患者的组学数据和生存数据，经过多个隐藏层的非线性变换后，输出对数风险函数；采用贝叶斯优化结合5折交叉验证进行超参数调优，确定学习率为0.000 135 8，学习率衰减为0.000 091，L₂正则化系数为0.001，衰减率（momentum）为0.88，并用Bootstrap法进行内部验证。对于Cox-nnet模型，输入患者的组学数据和生存数据，经单隐藏层输出预后指数；使用分层策略对L₂正则化参数进行搜索，确定学习率为0.001，衰减率为0.9，L₂正则化系数为0.2865，配合早停机制防止过拟合，最终通过Bootstrap法进行内部验证。三种模型均以平均负对数偏似然（含L₂正则化）作为损失函数进行优化。

1.3　可解释性分析

采用DeepSHAP方法对模型的预测结果进行解释，识别对预后预测具有重要影响的变量。该方法通过计算贡献分数（SHAP值），将低风险组作为参考组，量化高风险组患者中每个输入变量对预测风险的贡献，确定对低风险组和高风险组之间PI差异贡献最大的变量，识别对预测结果最具影响力的mRNA和miRNA。

1.4　预测性能指标

本研究中使用一致性指数（concordance index，C-index）、时间依赖性受试者工作特征曲线下面积（Time-dependent AUC）、对数秩检验P值（Log-rank testP-value）来评价模型的预测性能。

1.5　软件实现

本研究数据预处理以及变量筛选均在R 4.5.3软件中完成；在Python软件中构建深度学习模型，AutoSurv模型使用PyTorch 2.4.1包在Python中实现，Deepsurv模型基于Tensorflow 1.15.0平台实现，Cox-nnet模型使用Theano 1.0.5包在Python中实现。

2　结果

收起

2.1　CESC患者多组学数据的描述

从UCSC Xena网站下载TCGA数据库CESC患者的mRNA、miRNA、临床信息数据和生存数据，经预处理后整合得到261个患者，mRNA、miRNA去除批次效应后进行归一化。所用数据集关键特征如表1所示。

为了实现可靠的模型性能评估，本研究在划分数据集时权衡了训练充分性与验证可靠性，将数据集按6∶4划分为训练集和测试集，经检验训练集和测试集的患者基本资料和结局分布均衡，见表2。

2.2　模型性能对比

使用TCGA的CESC多组学数据分别构建AutoSurv、DeepSurv和Cox-nnet预后预测模型，模型性能通过C-index和1年、3年、5年AUC进行评估，具体结果汇总于表3。三个模型测试集上的KM生存曲线以及时间依赖性ROC曲线分别见图1（AutoSurv），图2（DeepSurv），图3（Cox-nnet）。时间依赖性ROC曲线用于评估模型在不同随访时间点（诊断后1、3、5年）的预测准确性，其曲线下面积（AUC）可解释为在特定时间点，模型随机赋予一名最终发生事件患者的风险评分高于未发生事件患者的概率。AutoSurv模型在CESC测试集上的C-index为0.78（95%CI：0.75~0.81），表现出良好的判别能力，在1年、3年和5年的AUC值分别为0.84（95%CI：0.81~0.87）、0.78（95%CI：0.76~0.85）、0.77（95%CI：0.75~0.81）。Log-rank检验的差异具有统计学意义（P=0.013），表明模型能够有效区分高、低风险组患者，且高风险组预后较差。AutoSurv在CESC数据集上的表现优于DeepSurv和Cox-nnet模型，具体体现如下：在判别准确性方面，AutoSurv具有更高的C-index和各时间点AUC值；在风险分层能力方面，其KM曲线高、低风险组分离更为显著，DeepSurv模型的KM生存曲线（图2A）未能有效区分不同风险组（P=0.413）；在预测稳定性方面，AutoSurv在时间依赖性ROC曲线（图1B）中展现出卓越且持续的判别性能。该模型结合生物信号通路信息与其他模型相比预测性能增强，具有良好的鲁棒性。

2.3　可解释性分析

2.3.1　特征重要性

为了揭示AutoSurv模型对CESC患者预后预测的决策机制，本研究采用DeepSHAP进行可解释性分析，通过反向传播计算特征重要性，识别重要的潜在特征和临床变量。KL-PMVAE提取的重要性排名前10的潜在特征和临床变量依次为：Z_5（SHAP值=0.540）、age（0.379）、Z_9（0.255）、Z_10（0.243）、Z_12（0.208）、Z_3（0.199）、Z_7（0.166）、Z_15（0.165）、Z_13（0.157）和stage_i（0.156）。图4所示的SHAP蜂群图展示了每个特征对模型预后指数的影响方向和强度，每个点代表每个患者的SHAP值，红色表示高值，蓝色表示低值，SHAP值为正表示增加死亡风险，为负表示降低死亡风险。分析结果表明，临床变量age（年龄）重要性为第二（0.379），随着年龄增长，患者的死亡风险上升；癌症分期为stage_i（早期）降低模型预测的死亡风险。

2.3.2　识别关键预测变量

计算每个输入变量（mRNA、miRNA）对潜在特征z的贡献分数，识别出对高低风险组区分贡献最大的mRNA和miRNA。进一步评估除临床变量age和stage_i以外的前8个潜在特征（Z_5、Z_9、Z_10、Z_12、Z_3、Z_7、Z_15、Z_13）的KL-PMVAE输入变量，识别每个潜在特征中重要性排名前10的关键变量，统计这些变量在8个潜在特征中出现的总频率。频率越高（频率>1）表明变量在模型预测中的稳健性越强。结果显示，CESC中POLR2H、FN1在5个潜在特征中有较高的贡献分数，FYN、UBA52和RPS27A在4个潜在特征中出现，PTPN11、UBC和PSMA5在3个潜在特征中出现，PSMD12、PIK3R1、FGFR2和BTC在2个潜在特征中出现。图5为重要性排名前20的关键预测变量及其出现频率，横轴表示mRNA/miRNA名称，纵轴表示该变量在潜在特征中出现的频率。

2.3.3　关键生物学通路

基于以上8个潜在特征识别出关键生物学通路，出现频率>1的通路为稳健通路。结果显示CESC中R-HSA-5651801、R-HSA-1169091和R-HSA-1474228出现在3个潜在特征中，R-HSA-166663、R-HSA-354194和R-HSA-1660661等通路在2个潜在特征中出现。图6展示了重要性排名前20的生物学通路及其出现频率。经Reactome数据库查询，高频通路主要涉及以下生物学过程：R-HSA-5651801（DNA损伤修复）、R-HSA-1169091（非经典NF-κB通路）、R-HSA-1474228（细胞外基质降解）、R-HSA-166663（补体初始激活）、R-HSA-354194（整合素信号通路）、R-HSA-1660661（鞘脂从头合成）、R-HSA-202430（ZAP-70转运）、R-HSA-69231（细胞周期检查点调控）、R-HSA-2426168（SREBF激活基因表达）、R-HSA-176412（APC/C磷酸化）。

2.4　蛋白质互作网络

通过STRING数据库（https://string-db.org/cgi/input.pl）构建了关键预测变量排名前10的mRNA/miRNA（POLR2H、FN1、FYN、UBA52、RPS27A、PTPN11、UBC、PSMA5、PSMD12和PIK3R1）的蛋白质互作网络（PPI），见图7，其中节点表示基因，边表示蛋白质间的相互作用，边的厚度和颜色强度反映了从STRING获得的相互作用置信度得分。结果表明：UBC（泛素C）和RPS27A（核糖体蛋白S27a）为两大枢纽蛋白，有广泛的连接性，显示出泛素化修饰在宫颈鳞状细胞癌中的核心调控地位。网络可划分为三个主要的功能模块：泛素-蛋白酶体系统模块（UBC、UBA52、PSMA5、PSMD12），细胞信号转导模块（FN1、FYN、PTPN11、PIK3R1），基因表达调控模块（POLR2H、RPS27A）。

3　讨论

收起

本研究首次将通路引导的可解释性深度学习模型AutoSurv应用于CESC的预后预测。结果表明，与DeepSurv和Cox-nnet相比，AutoSurv在预测准确性和可解释性方面均表现优越。原因体现在两个方面：模型引入生物学先验知识、结合DeepSHAP解释框架。AutoSurv成功识别出与CESC患者生存相关的mRNA、miRNA和信号通路，为个体化预后评估提供了新工具，为阐明CESC分子机制提供了潜在靶点。

SHAP特征重要性结果提示临床应该重点关注高龄、处于癌症晚期（IIB-IV）的CESC患者。模型识别的12个关键输入变量，已有研究证实与CESC预后相关：POLR2H的表达水平反映肿瘤细胞的转录活性^[8]；FN1参与细胞外基质重构，调控肿瘤细胞的黏附、迁移和侵袭过程^[9]；FYN调控整合素信号通路和细胞骨架重塑，其失调与迁移增强和治疗抵抗相关^[9]；RPS27A和UBA52维持蛋白质稳态和翻译调控^[10]，泛素化修饰异常在宫颈癌的发生发展中具有核心地位^[11]；PTPN11是受体酪氨酸激酶信号通路的关键节点，调控细胞增殖与存活^[12]。

在生物学通路层面，识别的Reactome通路与CESC的发生发展机制高度吻合：DNA损伤修复异常是宫颈癌诱导癌变的核心环节^[13]；NF-κB持续激活促进肿瘤细胞存活和化疗抵抗^[14]；细胞外基质降解与肿瘤侵袭转移密切相关^[9]；补体激活通过保护肿瘤细胞促进宫颈癌进展^[15]；整合素信号过表达与富含FN1的细胞外基质相互作用促进肿瘤细胞迁移^[16]；鞘脂生物合成产生的有毒代谢物对癌细胞的存活至关重要^[17]。

蛋白质互作网络揭示了基因和通路之间的关联，将关键基因整合为三个功能模块：泛素-蛋白酶体系统模块调控蛋白质稳态、DNA损伤修复和细胞周期检查点等过程；细胞信号转导模块介导细胞外基质信号向胞内传递，驱动细胞迁移和侵袭；基因表达调控模块维持转录和翻译的精确性。UBC和RPS27A作为枢纽蛋白连接各模块。已有研究表明FN1通过激活MAPK通路影响细胞迁移，在宫颈癌的发展和化疗耐药性中有重要作用^[18]；PTPN11高表达水平与宫颈癌风险升高相关^[12]；PIK3R1通过PIK3/AKT通路调控肿瘤细胞的增殖和迁移^[19]。从蛋白质互作角度验证了基因和通路层面发现的内在一致性。

本研究存在一定局限性：第一，样本量有限，仅使用两种组学数据，未纳入甲基化数据、蛋白质组学数据等更多复杂数据；第二，只探讨了宫颈鳞状细胞癌数据，未扩展到其他癌症类型；第三，部分分析结果的统计效能有限，但所有评估指标均指向同一方向，Bootstrap置信区间排除无效假设，生物学解释与已知通路相符。后续研究将纳入更多类型的组学数据，在更大样本量的独立队列中进行验证，深入探索模型识别的其他通路和靶点。

基金

收起

山西省自然科学基金(201801D121210)
国家青年科学基金(82204164)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

Siegel

, Miller

, Fuchs

, et al. Cancer statistics, 2021［J］. CA-A Cancer Journal for Clinicians, 2021, 71(1): 7-33.

[2]

, Liu

, Cheng

, et al. Multi-view spectral clustering with latent representation learning for applications on multi-omics cancer subtyping［J］. Brief Bioinform, 2023, 24(1): bbac500.

[3]

, Lin

. Dynamic modeling, optimization, and deep learning for high-dimensional complex biological data ［J］. Sci Sin Math, 2025, 55(7): 1413.

[4]

Jiang

, Xu

, Bai

, et al. Autosurv: interpretable deep learning framework for cancer survival analysis incorporating clinical and multi-omics data［J］. NPJ Precis Oncol, 2024, 8(1): 4.

[5]

Katzman

, Shaham

, Cloninger

, et al. Deepsurv: personalized treatment recommender system using a cox proportional hazards deep neural network［J］. BMC Medical Research Methodology, 2018, 18(1): 24.

[6]

Ching

, Zhu

, Garmire

. Cox-nnet: an artificial neural network method for prognosis prediction of high-throughput omics data［J］. PLOS Computational Biology, 2018, 14(4): e1006076.

[7]

Cambridge Explorations in Arts and Sciences. Auto-Encoding Variational Bayes［EB/OL］. ［2026-06-08］. https://arxiv.org/abs/1312.6114.

[8]

Bhandari

, Acharya

, Chatterjee

, et al. Pan-cancer integrated bioinformatic analysis of RNA polymerase subunits reveal RNA Pol I member CD3EAP regulates cell growth by modulating autophagy［J］. Cell Cycle, 2023, 22(18): 1986-2002.

[9]

Hałas-Wiśniewska

, Zawadka

, Arendt

, et al. From adhesion to invasion: Integrins, focal adhesion signaling, and actin binding proteins in cervical cancer progression-a scoping review［J］. Cells, 2025, 14(20): 1640.

[10]

Yan

, Yu

, Wang

, et al. Identification of E3 ubiquitin ligase-associated prognostic genes and construction of a prediction model for uterine cervical cancer based on bioinformatics analysis［J］. Hormones & Cancer, 2024, 15(1): 395.

[11]

Yao

, Chen

, Wang

, et al. BAG2 inhibits cervical cancer progression by modulating type I interferon signaling through stabilizing Sting［J］. Advanced Science, 2025, 12(29): e70005.

[12]

, Wang

, Li

, et al. Role of SHP2/PTPN11 in the occurrence and prognosis of cancer: a systematic review and meta-analysis［J］. Oncology Letters, 2022, 25(1): 19.

[13]

Elayapillai

, Dogra

, Lausen

, et al. ATR inhibition increases reliance on PARP-mediated DNA repair revealing an improved therapeutic strategy for cervical cancer［J］. Gynecologic Oncology, 2024, 191(2): 182-193.

[14]

Zhong

, Li

, Zhong

, et al. IFI16 induced by p53 activates the NF □ κB pathway to counteract cisplatin-induced apoptosis in cervical cancer cells［J］. Journal of Cellular and Molecular Medicine, 2025, 29(15): e70728.

[15]

Khan

, Das

, Abiha

, et al. Insights into the role of complement regulatory proteins in HPV mediated cervical carcinogenesis［J］. Seminars in Cancer Biology, 2022, 86(15): 583-589.

[16]

Hazelbag

, Kenter

, Gorter

, et al. Overexpression of the αvβ6 integrin in cervical squamous cell carcinoma is a prognostic factor for decreased survival［J］. Journal of Pathology, 2007, 212(3): 316-324.

[17]

Spears

, Lee

, Hwang

, et al. De novo sphingolipid biosynthesis necessitates detoxification in cancer cells［J］. Cell Reports, 2022, 40(13): 111415.

[18]

Jin

, Wang

, Xu

, et al. miR-34b-3p-mediated regulation of STC2 and FN1 enhances chemosensitivity and inhibits proliferation in cervical cancer: MiR-34b-3p targets STC2 and FN1 to enhance chemosensitivity［J］. Acta Biochimica et Biophysica Sinica, 2024, 56(5): 740.

[19]

Wang

, Chen

, Zheng

, et al. miR-92a promotes cervical cancer cell proliferation, invasion, and migration by directly targeting PIK3R1［J］. Journal of Clinical Laboratory Analysis, 2021, 35(8): e23893.

2026年第53卷第14期

PDF下载

123

引用本文

BibTeX

文章信息

doi: 10.20043/j.cnki.MPM.202509110

接收时间：2025-09-06
首发时间：2026-09-28
出版时间：2026-07-25

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-09-06

基金

山西省自然科学基金(201801D121210)

国家青年科学基金(82204164)

作者信息

^1.山西医科大学公共卫生学院卫生统计学教研室，山西太原 030001

^2.煤炭环境致病与防治教育部重点实验室（山西医科大学）

通讯作者:

罗天娥，E-mail：luotiane1977@163.com

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/xdyfyx/CN/10.20043/j.cnki.MPM.202509110

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

类别	特征描述	特征数	样本量
mRNA	原始数量	60 660	310
	Reactome通路注释基因数	8 809	310
	通路过滤后（移除基因数<15或>300的通路）	6 753	310
	染色体过滤后	6 719	310
	低方差过滤后	3 154	310
	最终mRNA特征数	3 154	310
Reactome通路	初始通路数	1 525
	过滤后（移除基因数<15或>300的通路）	581
miRNA	原始数量	1 881	312
	低方差过滤后	708	312
	最终miRNA特征数	708	312
最终样本量	有完整组学数据		261

类别

特征描述

特征数

样本量

mRNA

原始数量

60 660

310

Reactome通路注释基因数

8 809

310

通路过滤后（移除基因数<15或>300的通路）

6 753

310

染色体过滤后

6 719

310

低方差过滤后

3 154

310

最终mRNA特征数

3 154

310

Reactome通路

初始通路数

1 525

过滤后（移除基因数<15或>300的通路）

581

miRNA

原始数量

1 881

312

低方差过滤后

708

312

最终miRNA特征数

708

312

最终样本量

有完整组学数据

261

项目	Train （n=166）	Test （n=95）	χ²/z	P值
年龄（岁）	48.3±14.0	46.9±12.9	0.916	0.648
种族［n（%）］			2.289	0.130
White	134（80.7）	69（72.6）
其他	32（19.3）	26（27.4）
疾病分期［n（%）］			0.500	0.480
stage_i	112（67.5）	60（63.2）
stage_ii	54（32.5）	35（36.8）
生存状态［n（%）］			0.592	0.442
存活	126（75.9）	68（71.6）
死亡	40（24.1）	27（28.4）

项目

Train
（n=166）

Test
（n=95）

χ²/z

P值

年龄（岁）

48.3±14.0

46.9±12.9

0.916

0.648

种族［n（%）］

2.289

0.130

White

134（80.7）

69（72.6）

其他

32（19.3）

26（27.4）

疾病分期［n（%）］

0.500

0.480

stage_i

112（67.5）

60（63.2）

stage_ii

54（32.5）

35（36.8）

生存状态［n（%）］

0.592

0.442

存活

126（75.9）

68（71.6）

死亡

40（24.1）

27（28.4）

组别	Train	Test
Model	AutoSurv	Deepsurv	Cox-nnet	AutoSurv	Deepsurv	Cox-nnet
C-index（95%CI）	0.85（0.82~0.87）	0.84（0.79~0.86）	0.84（0.69~0.88）	0.78（0.75~0.81）	0.59（0.55~0.62）	0.68（0.57~0.79）
AUC（1Year）（95%CI）	0.88（0.85~0.90）	0.87（0.83~0.89）	0.81（0.70~0.83）	0.84（0.81~0.87）	0.54（0.51~0.59）	0.75（0.56~0.71）
AUC（3Year）（95%CI）	0.85（0.82~0.88）	0.84（0.80~0.87）	0.85（0.74~0.87）	0.78（0.76~0.85）	0.63（0.59~0.67）	0.63（0.55~0.77）
AUC（5Year）（95%CI）	0.86（0.83~0.89）	0.81（0.75~0.83）	0.80（0.69~0.82）	0.77（0.75~0.81）	0.68（0.63~0.70）	0.70（0.51~0.76）
Log-rankP	<0.001	<0.001	<0.001	0.013	0.413	<0.01

组别

Train

Test

Model

AutoSurv

Deepsurv

Cox-nnet

AutoSurv

Deepsurv

Cox-nnet

C-index（95%CI）

0.85（0.82~0.87）

0.84（0.79~0.86）

0.84（0.69~0.88）

0.78（0.75~0.81）

0.59（0.55~0.62）

0.68（0.57~0.79）

AUC（1Year）（95%CI）

0.88（0.85~0.90）

0.87（0.83~0.89）

0.81（0.70~0.83）

0.84（0.81~0.87）

0.54（0.51~0.59）

0.75（0.56~0.71）

AUC（3Year）（95%CI）

0.85（0.82~0.88）

0.84（0.80~0.87）

0.85（0.74~0.87）

0.78（0.76~0.85）

0.63（0.59~0.67）

0.63（0.55~0.77）

AUC（5Year）（95%CI）

0.86（0.83~0.89）

0.81（0.75~0.83）

0.80（0.69~0.82）

0.77（0.75~0.81）

0.68（0.63~0.70）

0.70（0.51~0.76）

Log-rankP

<0.001

0.013

0.413

<0.01