对比学习驱动的多组学卵巢癌分子分型

摘要

卵巢癌分子分型对个体化治疗与预后判断至关重要，但高度异质性与高维少样本问题限制了传统方法的准确性。针对上述挑战，本研究提出一种融合对比学习与深度聚类的端到端多组学模型CDCM。CDCM整合TCGA-OV的RNA-seq、CNV与DNA甲基化数据输入至自动编码器，捕捉数据中复杂的非线性相互作用。接着通过4种数据增强策略构建正负样本对，利用对比学习机制有效提升表征的鲁棒性与判别性，从而缓解高维小样本下的过拟合问题。最后基于Student's t分布的聚类损失，与对比损失联合优化，直接驱动样本向聚类中心聚集并获得分离度更高的清晰亚型。增加消融实验以XGBoost量化评估组学贡献，证明多组学整合能够显著提升分型效果。为增强模型的生物学可解释性，联合XGBoost与WGCNA识别出与卵巢癌相关的12个候选生物标志物，其中有10个已在现有的文献中得到验证。CDCM在轮廓系数0.579、CH指数344.85及生存差异显著性-lg P=1.771上均优于K-Means等经典模型，为卵巢癌的精准诊疗提供新的方法学思路。

关键词

卵巢癌 / 分子分型 / 多组学数据 / 对比学习 / 深度聚类