利用多组学cfDNA片段结合早期-晚期融合神经网络和样本模态评估进行早期癌症检测.

paper：Early cancer detection via multi-omics cfDNA fragmentation using early-late fusion neural network with sample-modality evaluation

0. TL; DR

ELSM（Early-Late fusion with Sample-Modality evaluation）旨在通过深度整合多种血浆游离DNA（cfDNA）片段组学特征，解决癌症早期检测中的核心挑战。ELSM 框架通过样本-模态评估机制和早-晚融合神经网络架构，精准地捕捉了13种不同片段组学特征空间之间的互补信号。

作者在一个包含1994个样本、覆盖10种癌症类型的大型队列中对 ELSM 进行了验证。结果显示，ELSM 的性能全面超越了单一模态模型和现有的先进多模态模型。对 ELSM 识别出的关键基因组区域进行的功能分析，揭示了其与已知致癌通路的紧密关联，证明了模型具有强大的生物学可解释性。

1. 背景介绍

随着全球癌症发病率的持续攀升，开发高灵敏度、非侵入性的早期筛查方法已成为当务之急。作为一种极具前景的液体活检（liquid biopsy）技术，分析血浆中的细胞游离DNA（cfDNA）为癌症的早期检测提供了新的可能。cfDNA 主要来源于细胞死亡后释放到血液中的DNA碎片，它携带了来自肿瘤的特异性分子改变。

近年来，片段组学（fragmentomics）成为研究热点，即研究 cfDNA 的片段化模式。这些模式并非随机，而是反映了其来源组织的表观遗传状态，为癌症诊断提供了丰富的生物标志物。多个研究团队已从不同维度揭示了 cfDNA 的片段化特征：

片段大小分布 (Fragment Size Distribution)：癌症患者与健康个体的 cfDNA 片段大小分布存在显著差异。
末端基序 (End Motifs)：肿瘤来源的 cfDNA 具有独特的末端序列特征。
覆盖度模式 (Coverage Pattern)：cfDNA 在开放染色质区域边界的末端分布模式具有组织特异性。
片段化热点 (Fragmentation Hotspots)：通过综合片段化评分（IFS）来量化肿瘤特有的 cfDNA 片段化热点。

然而，单一的片段组学特征往往难以全面捕捉肿瘤的异质性和特异性，因此，整合多种模态（multimodal integration）成为提升诊断性能的必然选择。现有的多组学（multi-omics）分析方法，如 MESA 和 MCED，虽然通过整合遗传、甲基化和片段组学特征取得了一定的成功，但它们通常只涉及少数几种片段化模式，并且采用简单的线性融合策略，未能充分挖掘不同模态之间的复杂协同关系。

在计算机科学领域，多模态数据处理技术已相当成熟，发展出了特征级、决策级和模型级等多种融合策略。但在生物医学领域，尤其是 cfDNA 分析中，直接应用这些技术面临三大挑战：

高模态性 (High Modality)：模态数量过多会导致传统模型性能下降、效率低下。
高维小样本 (High-dimensional, Small-sample)：生物医学数据通常具有极高的特征维度，但样本量相对有限，这与计算机视觉等领域的数据特性截然不同。
融合策略的局限性：传统的早期融合（early fusion，在输入层融合特征）或晚期融合（late fusion，在决策层融合结果）策略各有弊端，难以完全捕捉多模态数据的复杂性。

为了克服这些限制，作者提出了一个全新的 ELSM 框架。该框架创新性地将样本级模态评估（sample-level modality evaluation）与一种动态的早-晚融合（early-late fusion）神经网络相结合，旨在精准捕捉每个样本中不同模态的独特贡献，并高效地整合它们之间的互补信息，从而在复杂的 cfDNA 多组学数据中实现更精准的癌症诊断。

2. ELSM方法

ELSM 是一个包含三个核心模块的深度学习框架，旨在通过对13种不同的 cfDNA 片段组学特征进行逐层处理和融合，渐进式地提升癌症诊断的准确性。

2.1 13种cfDNA片段组学特征的提取

作者从 cfDNA 的全基因组测序（WGS）数据中系统性地提取了13种不同的片段组学特征。这些特征可以分为两大类：

全基因组级别特征 (7种)

在整个基因组常染色质区域计算。

FSD (Fragment Size Distribution)：片段大小分布，将65-400bp的片段按5bp间隔分组，计算各组比例。
Fragmenter：全基因组片段长度的标准差。
Length：按10bp间隔计算<300bp片段的长度分布。
DELFI：在5Mb窗口内计算短/长片段比率、GC含量、PCA特征等多种统计量。
FSR (Fragment Size Ratio)：短、中、长片段（65-150bp, 151-220bp, 221-400bp）的比例。
Fragment：各常染色体上片段长度的均值、标准差、最大值等。
End Motifs：256种4-mer末端基序的频率，以及由其计算出的 MDS。

\[MDS = \frac{\sum_{i=1}^{256} -P_i \times \log P_i}{\log 256}\]

TSS区域级别特征 (6种)

在转录起始位点（TSS）周围的特定窗口（-150bp, +50bp）内计算。

WPS (Windowed Protection Score)：窗口内完全跨越的片段数减去落入窗口内的末端数：$WPS = n - e$。
PFE (Promoter Fragmentation Entropy)：窗口内片段长度分布的香农熵：$PFE = -\sum \hat{p}_i \log_2 \hat{p}_i$。
End：窗口内片段末端的计数。
Coverage：窗口内的片段覆盖度。
OCF (Orientation-aware Cell-free Fragmentation)：在TSS上下游60bp内，比较上游末端和下游末端的差异：$OCF = \sum_{-60-10}^{-60+10} (D - U) + \sum_{60-10}^{60+10} (U - D)$。
IFS (Integrated Fragmentation Score)：结合片段数和相对片段长度的综合评分：$IFS = n \times (1 + \frac{l}{L})$。

2.2 样本级模态评估策略 (Sample-level Modality Evaluation)

样本级模态评估策略旨在为每个样本动态地评估和量化其13种模态各自的重要性，从而解决模态不平衡问题。

首先定义一个基础贡献函数 $V_i^0(C)$，它衡量了使用一组模态 $C$ 对样本 $i$ 进行预测的贡献。如果预测正确，贡献值为模态数量 $|C|$；如果错误，则为0。

\[V_i^0(C) = \begin{cases} |C|, & \text{if } \hat{y}(C) = y \\ 0, & \text{otherwise} \end{cases}\]

作者定义了一个更精细的函数 $V^1(S_i, C_j)$。当 $j=0$ 时，它使用全部13个模态计算样本 $i$ 的贡献值；当 $j>0$ 时，它使用排除了第 $j$ 个模态后的其余12个模态进行计算。

\[V^1(S_i, C_j) = \begin{cases} V_i^0(H), & \text{if } j=0 \\ V_i^0(H \setminus \{C_j\}), & \text{if } 0 < j \le 13 \end{cases}\]

通过比较移除第 $j$ 个模态前后的贡献值差异，可以评估该模态对样本 $i$ 预测的重要性。将所有样本的这种差异求和并平均，即可得到第 $j$ 个模态的总体贡献分数 $K_j$，该分数即被用作该模态的权重。

\[K_j = \frac{\sum_{i=1}^{n} (V^1(S_i, C_0) - V^1(S_i, C_j))}{n}\]

最后根据计算出的模态权重，对权重较低的模态数据进行重采样（resampling），以增加它们在后续模型训练中的影响力。

2.3 早-晚融合神经网络 (Early-Late Fusion Neural Network)

该网络是 ELSM 的核心分类器，它巧妙地结合了早期融合和晚期融合的优点。

网络包含两个并行的信息流。一个流处理特定于每个模态的数据，另一个流则通过一个可配置的投影层（projection layer）来融合不同模态的特征。深度融合的特征会通过投影层进行变换，并与浅层特征相结合，以增强特征的表示能力。这种融合可以迭代进行，并且通过残差连接将融合后的信息添加回原始输入中。

融合过程并非简单的拼接，而是由样本级模态评估框架计算出的动态权重来指导。这些权重被整合到一个注意力机制中，使得模型能够为每个样本动态地、有侧重地融合不同模态的信息。经过融合和注意力加权后的特征，最终通过一个全连接层输出样本级的癌症预测概率。

与现有的多模态模型（如 MESA, MCED）相比，ELSM 的核心优势在于它从群体级别的静态融合转向了样本级别的动态融合，能够更精准地捕捉生物医学数据中普遍存在的个体异质性。

3. 实验分析与结论

作者在一个包含1994个样本、10种癌症类型、5个独立数据集的大型队列中，对 ELSM 框架进行了全面的验证。

3.1 ELSM 性能全面超越单模态及先进多模态模型

图A-C (交叉验证)：在 Cristiano、Mathios LUCAS 和 Yu 等多个数据集的交叉验证中，ELSM 的性能（以 AUC 衡量）一致且显著地优于任何单一的13种片段组学特征模型。这证明了多模态融合的必要性和有效性。
图D, E (独立验证)：在 Mathios 和 Yu 数据集的独立测试中，ELSM 再次展现了其优越性，AUC 分别达到了 $0.809$ 和 $0.922$，远超所有单模态模型。
图F (组织来源预测)：在组织来源（TOO）预测任务中，ELSM 同样表现出色，对胰腺癌和乳腺癌的 Top-1 准确率分别达到76.6%和73.2%，中位 Top-2 准确率达到78.9%。

作者进一步将 ELSM 与其他几种最先进的（state-of-the-art）多模态癌症诊断模型（如 SPOT-MAS, MCED, IFP 等）进行了比较。无论是在交叉验证还是独立验证中，ELSM 在绝大多数数据集上的表现都优于或持平于其他所有先进模型，展示了其稳定且卓越的泛癌和癌种特异性诊断能力。

3.2 ELSM能够有效区分不同样本类别并反映疾病进程

在所有五个数据集中，ELSM 输出的癌症评分都能非常清晰地将癌症样本与各类非癌对照样本（健康、良性疾病、肝炎、肝硬化等）区分开来，p值极小。

ELSM 的评分与癌症的临床分期呈正相关。随着癌症分期的进展，ELSM 的评分也逐渐升高，尤其是在肺癌和胃癌中趋势明显。这表明 ELSM 的输出不仅能用于诊断，还能反映肿瘤负荷和疾病的严重程度。

3.3 消融实验验证ELSM各模块的必要性

通过移除模型中的关键组件，作者验证了 ELSM 设计的合理性。

移除注意力机制：性能显著下降。这证明了由样本级模态评估指导的注意力加权融合是提升性能的关键。
替换为传统融合策略：直接拼接早期和晚期融合信息的传统方法，其性能远不如 ELSM 精心设计的融合架构。

这些结果共同证实了 ELSM 框架中样本-模态评估和动态早-晚融合两大创新设计的核心价值。

3.4 可视化分析证明模态评估与重采样的有效性

通过 UMAP 可视化，作者展示了样本级模态评估与重采样策略的效果。
图A (处理前)：不同模态的特征空间相互重叠，边界模糊。
图B (处理后)：经过重采样优化后，同一模态内的样本点变得更加聚集，而不同模态之间的界限则变得更加清晰。这直观地证明了该策略能够有效提取模态间的互补信息，为后续的融合建模奠定了更好的基础。

3.5 功能分析揭示ELSM的生物学可解释性

一个好的AI模型不仅要性能卓越，还应具备可解释性。作者通过分析各模态的贡献权重和关键特征区域，深入探究了 ELSM 的生物学意义。

在13个模态中，从 TSS 区域提取的特征（如 WPS, PFE, Coverage 等）普遍比从全基因组区域提取的特征具有更高的贡献度，并聚集在一起。这表明，聚焦于基因调控核心区域的片段组学信号，对于癌症诊断更为关键。其中，反映区域保护水平的 WPS 特征贡献度最高。

作者对 WPS 特征中差异最显著的 TSS 区域进行了 KEGG 通路富集分析。

在肺癌数据集中，富集到了非小细胞肺癌、ErbB、EGFR 等直接相关的信号通路。
在胃癌和肝癌数据集中，同样富集到了 VEGF, mTOR, MAPK, PI3K-Akt, Wnt 等经典的致癌信号通路。

作者进一步分析了在多个癌种中都高度富集的关键基因，如 ERBB2 (肺癌)、MAPK1 (胃癌) 和 SOS2 (肝癌)。结果显示，这些基因在TCGA数据库中均表现为肿瘤组织中表达上调，并且在 cfDNA 数据中，其 TSS 区域的 WPS 值显著降低。这完美地形成了染色质可及性增加 → WPS值降低 → 基因转录激活 → 参与致癌通路的生物学证据链。

这些功能层面的分析结果，不仅与已知的癌症生物学知识高度一致，也强有力地证明了 ELSM 模型所做出的决策是基于真实的、可解释的生物学信号，而非数据拟合的假象。