综述：从结构到功能的酶循环工程：机制、方法与策略

《Biotechnology Advances》：Loop engineering in enzymes from structure to function: Mechanisms, methodologies, and engineering strategies

　　肝癌早期检测中，基于表面增强拉曼光谱的高维小样本数据，提出融合计算机视觉注意力机制与合作博弈理论（SHAP）的CEAIR框架，通过迭代去重实现可解释的数字生物标志物提取，AUC值稳定＞0.97并验证泛化能力。

　　在现代医学研究中，癌症等复杂疾病的早期检测一直是提高患者预后和生存率的关键环节。随着生物传感技术的发展，体外诊断（in vitro diagnostics）为疾病筛查提供了新的可能性。然而，当前基于少数分子生物标志物的检测方法存在明显的局限性，难以全面反映疾病状态。与此同时，数字生物标志物（digital biomarkers）作为新兴的疾病表型识别手段，展现出广阔的应用前景。然而，其发展也面临临床数据稀缺和模型泛化能力不足等挑战。因此，探索一种能够有效提取高维生物传感数据中关键信息的计算方法，成为推动非侵入性诊断技术发展的核心课题。

本文提出了一种名为“耦合可解释人工智能递归学习”（Coupled Explainable Artificial Intelligence Recursive, CEAIR）的计算框架，旨在解决上述问题。该框架融合了计算机视觉与合作博弈论的原理，通过可解释性机制实现对高维、小样本生物传感数据的深度分析。CEAIR的核心目标是识别出具有临床意义的数字生物标志物，从而提升疾病诊断的准确性和可靠性。这一方法的提出，不仅克服了传统分子生物标志物在敏感性和特异性方面的不足，也为复杂疾病的早期检测提供了新的思路。

当前，癌症早期检测面临多重挑战。一方面，传统分子生物标志物的提取依赖于高方差特征的识别，这可能导致某些临床意义重大的低方差特征被忽视。另一方面，高维生物传感数据的处理往往面临样本量小、特征冗余等问题，使得模型容易过拟合，难以在外部数据集上实现良好的泛化能力。此外，临床数据的标注质量不高，进一步增加了特征提取的难度。因此，如何在有限的数据条件下，提取出具有代表性和区分度的生物标志物，成为研究的难点。

数字生物标志物作为计算方法衍生的健康或疾病指标，相较于传统分子标志物具有独特的优势。它们不仅能够提供更全面的疾病表型信息，还能够捕捉到生物数据中更为微妙的变化。这种能力使得数字生物标志物在癌症早期检测中展现出巨大的潜力。然而，数字生物标志物的提取仍然面临诸多技术难题。首先，高维数据的复杂性使得特征选择变得困难，传统的方法往往无法有效区分重要的生物标志物与冗余信息。其次，小样本数据限制了模型的学习能力，使得其在不同人群中的适用性受到质疑。此外，缺乏足够标注的临床数据也增加了模型训练的不确定性。

为了解决这些问题，CEAIR框架的设计理念围绕着“可解释性”与“泛化能力”展开。该框架通过计算机视觉中的注意力机制，识别出数据中的关键区域，从而聚焦于最具信息量的特征。同时，结合合作博弈论中的Shapley值分析，CEAIR能够评估每个特征对疾病诊断的贡献度，确保提取的生物标志物具有明确的临床意义。此外，通过迭代的去重机制，CEAIR能够有效剔除冗余特征，保留最核心的疾病相关信号，从而提升模型的稳定性和可靠性。

在实际应用中，CEAIR被用于肝细胞癌（hepatocellular carcinoma, HCC）的早期检测。通过分析血清表面增强拉曼光谱（surface-enhanced Raman spectroscopy, SERS）数据，该框架成功提取出一系列具有高度区分度的数字生物标志物。这些标志物在多个独立构建的机器学习分类器中表现出优异的预测性能，其曲线下面积（area under the curve, AUC）值均超过0.97，显著优于传统的分子生物标志物。这一结果表明，CEAIR不仅能够有效处理高维、小样本的数据，还能够在不同数据集上实现良好的泛化能力，为复杂疾病的诊断提供了有力的技术支持。

此外，CEAIR的应用还具有重要的临床意义。作为一种非侵入性的诊断工具，SERS技术能够通过分析血清样本中的分子振动信息，提供关于疾病状态的详细信息。相比于传统的组织活检，这种方法更加安全、便捷，并且能够在早期阶段检测到疾病的细微变化。CEAIR的引入，使得这一技术在临床应用中具备更高的准确性和可解释性，从而增强了其在实际诊疗中的可行性。

在方法论上，CEAIR的实现过程分为三个主要模块：视觉注意力模块、SHAP模块和去重模块。视觉注意力模块通过识别数据中的关键区域，提取出最具代表性的特征；SHAP模块则用于评估每个特征对疾病分类的贡献度，确保提取的生物标志物具有明确的临床解释；去重模块则通过迭代的方式，剔除冗余或高度相关的特征，保留最核心的疾病相关信号。这种多模块协同的工作机制，使得CEAIR在特征提取过程中既保持了模型的可解释性，又提升了其在复杂数据环境下的表现。

实验结果显示，CEAIR在肝细胞癌的检测中表现出色。在内部验证数据集中，该框架提取出的数字生物标志物在多个经典机器学习算法中均取得了较高的预测准确率。而在外部验证数据集中，这些标志物同样表现出良好的泛化能力，说明其在不同人群和数据条件下的适用性。这种稳定性和可解释性，使得CEAIR成为一种具有广泛应用前景的计算方法，不仅适用于肝细胞癌的检测，还可以推广至其他复杂疾病的诊断。

从更广泛的角度来看，CEAIR的提出为生物传感数据的分析提供了一种新的范式。在传统的生物标志物研究中，研究人员往往依赖于高方差特征的筛选，而忽略了低方差但具有临床意义的信号。CEAIR则通过引入合作博弈论中的Shapley值分析，能够更全面地评估每个特征的重要性，从而避免遗漏关键信息。这种机制不仅提高了模型的可解释性，还增强了其在临床应用中的可信度。

同时，CEAIR的注意力机制使得模型能够自动聚焦于最具信息量的区域，从而减少了人为干预的必要性。这种自动化特征提取的方式，不仅提高了研究效率，还降低了对专家经验的依赖。在临床实践中，这意味着医生可以更快速地获得可靠的诊断信息，从而做出更加精准的决策。此外，CEAIR的去重机制能够有效减少特征之间的冗余，使得模型在面对复杂数据时具备更强的稳定性，避免了因特征相关性过高而导致的模型偏差。

在当前的医学研究中，数字化和智能化已经成为重要的发展趋势。CEAIR的提出，正是这一趋势下的重要成果之一。通过将计算机视觉与合作博弈论相结合，该框架不仅解决了传统方法在高维数据处理中的不足，还为数字生物标志物的提取提供了新的思路。这一方法的应用，使得研究人员能够在有限的数据条件下，提取出具有临床意义的生物标志物，从而推动非侵入性诊断技术的发展。

值得注意的是，CEAIR的可解释性特性对于临床实践具有重要意义。在医学领域，模型的可解释性不仅有助于理解疾病的生物学机制，还能增强医生和患者对诊断结果的信任。通过SHAP模块，CEAIR能够清晰地展示每个特征对疾病分类的贡献度，使得研究人员能够更直观地识别出关键的生物标志物。这种透明的分析过程，使得CEAIR在临床应用中具备更高的可接受性。

此外，CEAIR的泛化能力也是其优势之一。在外部验证数据集中，该框架提取出的数字生物标志物依然保持了较高的预测性能，说明其在不同数据环境下的适应性。这种泛化能力的提升，得益于CEAIR在特征提取过程中对冗余信息的识别和剔除，使得模型能够专注于最具代表性的特征，从而避免了因数据分布差异而导致的性能下降。

综上所述，CEAIR作为一种新的计算框架，为复杂疾病的早期检测提供了有力的技术支持。通过融合计算机视觉与合作博弈论，该框架能够在高维、小样本的生物传感数据中提取出具有临床意义的数字生物标志物，从而提升诊断的准确性和可靠性。未来，随着生物传感技术的进一步发展，CEAIR有望在更多疾病领域中得到应用，为精准医学和大规模诊断提供新的解决方案。