Flexynesis多组学深度学习生信分析
关键词：多组学整合；深度学习；生信分析；Flexynesis；标志物发现
一、文章简要介绍
这篇Nature Communications文章来自德国柏林马普分子医学中心BIMSB生物信息学平台，2025年发表，DOI：10.1038/s41467-025-63688-5。做的是精准肿瘤里的老难题：怎么把基因组、转录组、甲基化、拷贝数这些不同层次的组学数据揉在一起，训练出一个能预测药效、分型、生存期的模型。
文章拿80篇已发表的多组学整合工作做了摸底：29篇没给代码，45篇给的是脚本和笔记本，几乎都不能直接装来用。于是他们干脆做了一个打包好的工具，取名Flexynesis，基于PyTorch Lightning开发，PyPI、Bioconda、Galaxy都能装。
图1是整体工作流：多组学表格输入后自动清洗、特征选择，用贝叶斯优化搜超参数，训练多种神经网络，最后用Integrated Gradients算特征重要性，输出每个任务的关键标志物。
二、Flexynesis工具与分析方法
先说架构。工具内置五种网络：全连接网络DirectPred、带MMD损失的变分自编码器supervised_vae、跨模态编码器CrossModalPred、三元组对比网络MultiTripletNetwork、图神经网络GNN（接STRING蛋白互作网络，支持GraphConv、GCNConv、SAGEConv三种卷积）。数据融合支持早融合和中间融合两种。
再说流程。数据进来先做质控：缺失值插补、低方差特征剔除。特征选择用拉普拉斯评分，每个组学模态单独筛，再剔冗余。超参数用scikit-optimize做贝叶斯序列优化，搜编码维度、学习率、隐藏层大小。评估指标按任务区分：回归看皮尔逊相关和R方，分类看AUC和F1，生存看一致性指数。
图2是三类单任务演示。回归：用CCLE细胞系基因表达和拷贝数预测两种靶向药的响应，在GDSC数据上独立验证，预测和实测相关约0.6；分类：预测微卫星不稳定状态，只用表达和甲基化就拿到AUC 0.981；生存：LGG和GBM胶质瘤合并队列训练Cox比例风险头，高风险和低风险组明显分开。
三、关键结果与发现
第一个结果：多任务能同时学。在1865例转移性乳腺癌METABRIC队列上，同时预测亚型和化疗状态，嵌入空间把两个临床变量都分开了，比单独训练效果好。胶质瘤上用年龄、组织学诊断、生存三个头同时训，嵌入里能看出年龄越大风险越高、且多是胶质母细胞瘤；三个任务筛出的标志物重叠在IDH1、ATRX、PIK3CA、EGFR这些已知基因上。
图3是METABRIC嵌入的对比：上面两个图是单任务模型，只能分开一个变量；下面是多任务模型，亚型和化疗状态两个变量同时分开。
图4是无监督玩法：不加任何标签，用VAE-MMD把TCGA的21种癌、1600个样本压缩成嵌入，k-means自动分群，得到的聚类和真实癌型高度吻合，调整互信息0.78。
第二个结果：跨模态翻译。用DepMap数据做基因必需性预测：每个基因用三组特征表示，细胞系表达谱、ProtTrans蛋白语言模型的序列嵌入、DescribePROT蛋白功能特征。输入基因表达去重建CRISPR敲除必需性分数，1064个细胞系的预测相关度明显提升，蛋白语言模型嵌入贡献最大，光加DescribePROT没有额外收益。
图5左上是跨模态架构示意，右边小提琴图对比三种输入组合的预测相关度，加了蛋白序列嵌入那组明显上移。
第三个结果：微调救活跨分布预测。用TCGA肿瘤组织训练的模型直接去预测CCLE细胞系癌型，F1只有0.16，几乎瞎猜；拿50个细胞系样本微调后，深度学习模型F1拉到0.8，传统方法没法微调只能干瞪眼。数据分布接近时微调收益不大，分布偏移大时是质变。
图6上面是分布接近的场景（CCLE到GDSC），微调没什么差别；下面是分布偏移的场景（肿瘤组织到细胞系），微调后分数直接翻五倍。
第四个结果：标志物能对上临床库。预测八种已知靶点药物的响应，每个药取前十特征，八种里有六种找到了CIViC数据库收录的已知标志物，比如厄洛替尼的EGFR、紫杉醇的ERBB2。另外所有表现最好的模型都包含RNA表达层，单用突变信息效果最差，这和业内经验一致。
图7上半是每种药最优模型的皮尔逊相关，下半是按数据层着色的top10标志物，标着Known Target的柱子就是CIViC验证过的已知靶点。
作者也说了，这套工具没有发明新算法，价值在于把数据清洗、特征选择、超参搜索、训练评估、标志物发现串成一条标准化流水线，让不熟悉深度学习的临床研究者也能上手。
