基于图嵌入技术getDNB的肝细胞癌动态网络生物标志物发现与早期预警研究

　　本研究针对肝细胞癌(HCC)早期诊断难题，创新性地提出getDNB模型，通过图卷积网络(GCN)实现基因调控网络的低维嵌入，结合异常评分算法与最小支配集策略，成功鉴定出33个HCC动态网络生物标志物(DNB)及其互作网络。该模型在三个独立数据集(TCGA-LIHC/GSE6764/GSE89377)中显著优于传统方法(AUROC达0.9293)，功能分析揭示DNB关键调控HCC发生发展通路，为癌症早期预警提供新范式。

　　

肝细胞癌(HCC)作为全球高发恶性肿瘤，其发展往往经历从慢性肝炎、肝硬化到癌变的漫长过程。尽管现有诊断技术能在晚期准确识别肿瘤，但此时治疗窗口已大幅缩窄。更棘手的是，在癌前病变阶段（如低级别异型增生结节），分子网络的动态变化尚未形成明显临床症状，传统生物标志物难以捕捉这种"临界状态"。Liu等学者2012年提出的动态网络生物标志物(DNB)理论为破解这一难题带来曙光——这些在系统相变前出现剧烈波动的分子集群，可能成为疾病早期预警的"分子哨兵"。然而，现有DNB识别方法多忽视基因互作网络的高维拓扑特征，导致关键信息丢失。

为此，山东大学刘振鹏团队在《Bioinformatics》发表研究，开发了创新性getDNB模型。该研究整合TCGA-LIHC、GSE6764和GSE89377三个队列的724例HCC样本转录组数据，涵盖从肝硬化到晚期HCC的8个病理阶段。核心技术包括：1) 采用PC-CMI算法构建时间特异性基因调控网络；2) 应用图卷积网络(GCN)将高维网络映射为低维特征向量；3) 通过K-means聚类与异常评分筛选候选基因；4) 结合最小支配集算法和最短路径算法确定最终DNB；5) 提出动态网络指数(DNI)量化网络紊乱程度。

【Selected HCC DNBs and the interconnected networks】

研究鉴定出33个核心HCC DNB基因，包括TP53、CTNNB1等已知驱动基因，构成包含122条调控边的互作网络。如图2所示，网络呈现显著模块化特征，其中16个基因为差异表达基因(DEG)，16个属于已知HCC相关基因。值得注意的是，DNB网络在低级别异型增生结节阶段（第3阶段）出现剧烈重构，提示此为关键的"癌前临界点"。

【Classification results】

时序分类显示getDNB显著优于7种对照方法：在TCGA-LIHC数据中AUROC达0.9293±0.0019，AUPRC为0.9579±0.0009；在GSE89377数据中保持0.7878±0.0303的AUROC。特别在早期HCC识别方面，模型准确率(84.09%)比传统差异表达基因方法(DEG)提升3.7个百分点。

【The temporal DNI curve】

如图3c所示，DNI曲线在第三阶段（低级别异型增生结节）出现显著峰型，该阶段DNI值较前阶段骤增2.3倍。这与临床观察高度吻合——此阶段病变具有双向转化可能，是干预的黄金窗口期。

【Functional enrichment analysis】

KEGG分析揭示DNB显著富集于Wnt/β-catenin通路(p=3.21×10^-5)、PI3K-Akt信号(p=1.87×10^-4)等HCC经典通路。GO分析显示这些基因主要参与"细胞周期检查点调控"(GO:0044772)和"上皮细胞增殖"(GO:0050673)等生物学过程。

该研究通过创新性整合图嵌入技术与动态网络理论，首次实现HCC进展全周期的分子临界点精确定位。相比传统静态生物标志物，DNB能更早（提前2-3个病理阶段）预警恶性转化风险。模型开源性（GitHub: zpliuab/getDNB）和跨数据集验证结果(AUROC>0.78)显示其良好的临床应用潜力。未来可拓展至其他癌症的早期预警系统开发，推动精准医学从"诊断治疗"向"预测预防"范式转变。