简介：一份PDF格式的学术论文《基于机器学习方法的胃癌分型标志基因提取》，面向生物信息学、肿瘤医学与机器学习研究者，围绕胃癌亚型精准分类中的标志基因筛选展开，适合需要开展高维基因表达谱特征选择或了解机器学习在癌症分型中应用的读者。压缩包内共有1个文档，大小约722KB，内容基于33例中国人群的胃癌基因芯片数据（含13例弥漫型、20例肠型样本，共21378个基因），详细介绍了基因表达差异显著性分析、偏最小二乘VIP系数法与基于巴氏距离的顺序前向搜索相结合的混合降维方法，并给出了支持向量机分类准确率89.43%、层次聚类验证准确率93.94%的完整研究流程。读者可从中学到从海量基因中提取20个特征基因的技术路线，了解这些标志基因在人类恶性肿瘤诊断与分型中的生物学意义。这些发现为胃癌早期检测、病理分型与靶向治疗提供了潜在生物标记物参考。目前已有117人学习下载。
1. 为什么胃癌分型要专门用机器学习来提取标志基因
做胃癌分子分型的人，迟早会撞上同一个问题：TCGA 那套分型方案（EBV、MSI、GS、CIN）写得明明白白，可真到自己的表达矩阵上，想挑出一组标志基因却相当难受。传统做法是组间差异表达，两组一比就能拉出几十上百个候选基因，再靠文献和经验“指认”出几个，但换一个队列，名单又对不上了。机器学习方法把这件事变成了一个可重复的流程：表达矩阵当作特征 X，分型标签当作 y，用带稀疏惩罚的分类器从两万多个基因里筛出那一组“合在一起能把亚型边界说清楚”的标志基因。它解决的不是“谁的差异大”，而是“哪些基因组合起来最稳”。这篇笔记面向需要真正动手跑分型流程的从业者，从数据准备、算法选型讲到具体代码和常见翻车点，读完能直接复现一套最小工作流。
2. 训练数据与预处理的顺序：先清洗基因再喂机器学习
2.1 训练队列和验证队列怎么搭配：TCGA 做训练、GEO 做独立验证
做标志基因提取，第一步不是急着选算法，而是先建立起“训练集 + 外部验证集”的数据结构。最常见的配置是拿 TCGA-STAD 项目做训练，因为它的分子分型标签相对完整，随访数据也齐全；验证则放到 GEO 上的 ACRG 队列，比如 GSE62254 这批样本。ACRG 分型和 TCGA 分型不是同一套命名体系，但用来检验一组标志基因是否具备跨队列判别能力，比在同一个数据集里反复切验证折更有说服力。
在数据落地时，要格外注意表达矩阵和临床注释的样本 ID 对齐。TCGA 的表达矩阵列名是 TCGA 样本条形码，而临床注释里同一个样本可能写成去掉后几位的小码。很多第一次跑这个流程的人直接把两份文件读进来合并，结果发现行为空，或对照组和实验组倒挂。我一般的处理是先把样本 ID 统一成同一种格式，再取交集，只保留“既有表达数据、又有分型标签”的样本，最后打印一下各亚型的样本数量，确认类别分布真的能用。
这里补一张 TCGA 与 GEO 的用途对比，方便你决定自己要不要再加一个验证集：
| 数据来源 | 常见分型体系 | 在流程里的定位 | 注意点 |
|---|---|---|---|
| TCGA-STAD | TCGA 分子分型（EBV/MSI/GS/CIN） | 训练集、内部交叉验证 | 样本量不算大，注意亚型不平衡 |
| GSE62254（ACRG） | ACRG 分型（MSI/MSS/TP53+ 等） | 独立外部验证 | 分型标签体系不同，不能简单硬套 |
| 其他 GEO 芯片队列 | 作者自定义标签 | 第二次独立验证 | 注意芯片平台和批次效应 |
建议至少留一个外部队列最后一刻再用。如果从一开始就把外部队列混进训练集做调参，那“外部验证”就名存实亡了。
2.2 表达矩阵清洗和标准化：三件事不做，算法再高级也白搭
胃癌数据集里的表达矩阵下载下来往往没你想的那么干净。行是基因，列是样本，里面可能残留低表达基因、零方差基因，甚至样本 ID 和临床表型不一致。我一般会按固定顺序先做三件事：
第一，过滤低表达基因。Threshold 可以设在“至少 20% 到 30% 的样本里 TPM 大于等于 1”，这个值不玄学，它能把那些在大多数样本里压根没开机的基因去掉，避免 Lasso 在大量噪声特征上浪费时间。第二，对表达值做 log2(x + 1) 变换，把右偏分布拉回来。第三，样本对齐后，把表达矩阵转成“样本 × 基因”的格式，喂给机器学习模型。
这段代码是每次开始跑流程前我都会先执行的样板：
import pandas as pd import numpy as np # 表达矩阵：行是基因，列是样本 expr = pd.read_csv("stad_expr_tpm.csv", index_col=0) # 临床信息：至少包含 sample_id 和 subtype 两列 meta = pd.read_csv("stad_meta_subtype.csv", index_col=0) # 1. 过滤低表达基因：30% 样本中 TPM >= 1 才保留 keep = (expr >= 1).mean(axis=1) >= 0.3 expr = expr.loc[keep] # 2. log2 变换，压缩表达量的动态范围 expr_log = np.log2(expr + 1) # 3. 样本对齐：只保留既有表达数据又有分型标签的样本 common = meta.index.intersection(expr_log.columns) X = expr_log.loc[:, common].T # 转成 样本 x 基因 y = meta.loc[common, "subtype"] print(X.shape) print(y.value_counts())这里的过滤阈值 0.3 不是定死的。如果你的队列里混了大量正常组织，低表达基因比例会上升，可以适当放宽到 0.1；如果全是纯度较高的肿瘤组织，保守一点用 0.3 反而稳。
列名对齐这一步，常见踩坑在于 TCGA 样本条形码有的以.分隔，有的以-分隔。建议统一用字符串替换，把点换成短横线再取交集。样本量少的队列甚至可以手动核一遍，后面所有代码都依赖这一步，错了后面全白算。
3. 提取标志基因的算法怎么选：Lasso、随机森林和 SHAP 的边界
3.1 为什么差异表达直线筛选不不够：单基因 p 值解决不了组合判别
很多人会把“标志基因提取”和“差异表达分析”画等号，这是流程里最常见的错误。差异表达做的是单基因检验，回答的是“这个基因在两类样本里的均值有没有显著差异”，但它回答不了“哪些基因组合在一起能把四个亚型分开”。
举个例子，某个基因单独看差异 p 值很显著，但它的表达和另一个基因高度相关，二者提供的是同一条信息。同时进模型，不仅不能提升分型效果，还会让模型稀疏解在选择基因时随机摆动。反过来，有些基因单独看差异不显著，但它的表达跟另一个基因叠加后，却能把某个亚型单独切出来。这类“组合特征”恰恰是机器学习特征选择的强项。
所以在实际流程里，我把差异表达当作一股脑前的“粗筛”，把它和后续的机器学习特征选择分开。常见的做法是先用 DESeq2 或 edgeR 把两万多个基因缩到一千到两千个，然后交给 Lasso、随机森林这类模型在特征层面继续做稀疏化。两步走的好处是计算更快、噪声更低，坏处是如果粗筛阶段不小心用了全量数据选基因，后面验证集的信息就已经泄露了，这点在第 5 章会专门展开。
3.2 四类常用特征选择算法：效果、成本和适用边界
做这个方向，绕不开四个算法：Lasso 回归、随机森林、XGBoost 加 SHAP、SVM-RFE。我用一个表把它们的核心差异列出来，方便你在不同阶段排序：
| 算法 | 提取标志基因的方式 | 优势 | 不足 | 我的使用习惯 |
|---|---|---|---|---|
| Lasso / ElasticNet | 稀疏化系数，非零基因入选 | 结果可解释、稳定性好、速度快 | 对高度相关基因只会随机选一个 | 首选，几乎每个队列先跑一遍 |
| 随机森林 | 基于不纯度下降或 OOB 误差排序 | 天然处理非线性、不需要归一化 | 基因很多时排序不稳定 | 与 Lasso 交叉验证用 |
| XGBoost + SHAP | 增益值 + Shapley 值归因 | 特征交互强、模型表现上限高 | 调参成本高、容易过拟合 | 在候选基因里做精排 |
| SVM-RFE | 递归剔除权重最小的特征 | 适合小样本高维数据 | 计算慢、线性核边界有限 | 有时间再跑，不主用 |
从实际落地角度看，Lasso 几乎永远是第一棒。因为基因表达矩阵里特征数量随便就几千甚至上万，样本可能只有一两百，Lasso 的 L1 正则化可以把大部分特征的系数压成零，直接得到一组稀疏基因集。这种筛选方法对后续验证非常友好。
但 Lasso 也天生存在一个问题：当两个基因相关性很高时，它会“二选一”，而选谁不选谁带有一点随机性。所以我在 Lasso 之后通常再加一道去冗余：拿保留下来的基因做相关性聚类，把相关系数大于 0.8 的基因簇里再保留一个代表。这种“先稀疏后去冗余”的组合，比单独用任何一种算法都稳定。
3.3 核心参数落在哪个区间才算合理：稀疏度、树深与类权重
Lasso 的参数核心是正则化强度 alpha。在用 sklearn 的 LassoCV 时，它会自己从 alpha 序列里找出交叉验证误差最小的点，但你要留意一个细节：选出来的模型系数可能还是不够稀疏，尤其是当样本量远小于基因数的时候。我一般会把 LassoCV 里的n_alphas开大到 150 到 200，让搜索路径更细；如果还觉得非零系数太多，可以手动改eps或直接换成 ElasticNet，把 L1 比例降到 0.8，稍微加一点 L2 惩罚来缓解共线性。
随机森林这边，核心参数是n_estimators和max_features。基因表达数据里特征间经常有中等程度的相关性，max_features不要用默认的auto，我习惯固定到总特征数的平方根附近。
XGBoost 则要控制max_depth。基因数据本身就容易过拟合，树太深会把样本 ID 都记住。我建议max_depth在 3 到 6 之间，learning_rate取 0.05，subsample和colsample_bytree都降到 0.7 到 0.8。这些参数不需要从零开始调，第一次就能逼近可用状态。
类权重同样关键。胃癌分型里的 EBV 型占比通常很小，如果不处理，模型会直接放弃这一型。在 XGBoost 里设置scale_pos_weight，或者在 scikit-learn 模型里开class_weight='balanced'，都能起效。但要做独立的外部验证，权重调整需要记录在日志里，不然复现的时候只能靠猜。
4. 用 Python 跑通一条最小工作流：从候选基因到分型标志基因
4.1 用 LassoCV 做第一轮筛选：一次跑一个亚型的一对多模型
现在把前面的方法落到代码上。这一节我给出一个可以处理的流程骨架，输入是上一章清洗完毕的X和y，输出是一组候选基因。因为 y 有多个亚型，我不会直接拿 Lasso 做多分类，而是采用“一对多”策略：每个亚型单独当成正类，其他样本当成负类，分别跑一次 LassoCV，然后合并所有非零系数对应的基因。这样做的原因是多分类 Lasso 的系数矩阵解释起来很费劲，而且某个基因可能只对“识别 EBV”有用，放到联合稀疏模型里反而被压掉。
from sklearn.linear_model import ElasticNetCV from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split # X 和 y 来自第 2 节清洗后的结果 X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, stratify=y, random_state=42 ) # 先标准化，注意这里只 fit 训练集，测试集用同一套均值和方差 scaler = StandardScaler() X_train_s = scaler.fit_transform(X_train) X_test_s = scaler.transform(X_test) # 改成 ElasticNet 而不是纯 Lasso，L1 比值给 0.85 model = ElasticNetCV( cv=5, n_alphas=150, l1_ratio=0.85, max_iter=20000, random_state=42, ) subtypes = y_train.value_counts().index # 获取所有亚型标签 selected_genes = [] for st in subtypes: # 构造一对多的二分类标签 y_binary = (y_train == st).astype(int) model.fit(X_train_s, y_binary) mask = model.coef_ != 0 genes = X.columns[mask] selected_genes.extend(list(genes)) print(f"{st}: {len(genes)} 个基因") # 去掉重复基因 selected_genes = list(set(selected_genes)) print(f"最终候选基因数量: {len(selected_genes)}")这里要解释几个关键点。train_test_split里的stratify=y参数，会在划分时尽量保持各亚型比例与全集一致，否则万一 EBV 型样本恰好全部分到测试集，训练集就彻底看不到这类样本。l1_ratio=0.85意味着 ElasticNet 里 85% 是 L1 惩罚、15% 是 L2 惩罚，比纯 Lasso 稍微抗共线性。如果你的数据质量比较好，直接用 LassoCV 也不是不行，但这个组合更适合以后换队列复现。
标准化这个步骤极易翻车，我单独强调一下：StandardScaler必须只对训练集做fit，然后用同一个转换器去transform测试集。很多第 1 次跑流程的人拿到 X 后直接全量标准化，再切训练测试，测试集的信息在不知不觉中渗进了模型。
4.2 用 XGBoost 加 SHAP 精排：候选基因里谁真正在影响分型
Lasso 筛出来的基因可能还有几十个到上百个，还不够“标志基因”。下一步我把这些基因喂进 XGBoost，用 SHAP 值看每个基因对分型判别的真实贡献。SHAP 比 XGBoost 自带的feature_importance更稳的一点是它对特征交互做了分解，不会只看单棵树的增益。
import xgboost as xgb import shap # 只保留候选基因 X_train_c = X_train[selected_genes] X_test_c = X_test[selected_genes] # 用 XGBoost 做多分类判别 clf = xgb.XGBClassifier( n_estimators=300, max_depth=4, learning_rate=0.05, subsample=0.8, colsample_bytree=0.7, reg_alpha=0.5, reg_lambda=2.0, eval_metric="mlogloss", random_state=42, ) clf.fit(X_train_c, y_train) # SHAP 解释：用测试集算 shap values，避免模型见过这些样本的"标准答案"后再评估 explainer = shap.TreeExplainer(clf) shap_values = explainer.shap_values(X_test_c) # 输出每个基因的平均绝对 SHAP 值，排序查看 mean_abs_shap = np.abs(shap_values).mean(axis=0) ranking = pd.Series(mean_abs_shap, index=selected_genes).sort_values(ascending=False) print(ranking.head(30))这里shap_values在多分类下会是一个三维数组，维度是样本数 × 类别数 × 特征数，我用mean(axis=0)把它合并到每个基因上。这一步得到的排序结果，通常会和 Lasso 的系数排名不完全一致，这是正常的：XGBoost 能看到基因间的交互作用，而 Lasso 只能处理线性组合。
从精排结果里圈出排名前 10 到 30 的基因，通常会去把“出现频率”也纳入考虑，种子摆不同的随机种子多跑几次，看有哪些基因反复出现。如果一个基因只在一颗种子里上了榜，换了种子就消失，它大概率是被噪声带出来的。
4.3 用外部队列做验证并在三个指标里终止
候选基因定了，训练集上的表现再高也不作数。我会立刻把最终基因集放到第 2 章准备好的 GEO 独立队列里做验证。外部队列有自己的表达矩阵expr_ext和标签y_ext，需要把基因名对齐，缺失的基因可以先用模型的均值替代。多数情况下不可能两套数据基因完全一致，尤其是 TCGA 的 RNA-Seq 和 GEO 的芯片数据之间，所以这步“取交集”很重要。
from sklearn.metrics import roc_auc_score, confusion_matrix # 对齐外部队列基因 genes_final = ranking.head(20).index # 假设取前 20 个基因 common_genes = genes_final.intersection(expr_ext.columns) X_ext = expr_ext.loc[:, common_genes] # 补缺失列为 0，或者用训练集均值 for g in genes_final: if g not in X_ext.columns: X_ext[g] = 0.0 X_ext = scaler.transform(X_ext) # 使用训练集的标准化参数 y_prob = clf.predict_proba(X_ext) # 二分类验证可以直接算 AUC，多分类则看每个亚型的一对多 AUC auc = roc_auc_score(y_ext, y_prob, multi_class="ovr")验证不能只看一个整体 AUC。我一般会拆到每个亚型单独看，比如 EBV 型在外部队列里是不是还能被稳定识别，如果某个亚型整体被模型忽略，那么训练集里的高准确率就说明不了任何问题。这一步还得盯住混淆矩阵，看模型是把哪两类经常混在一起，而不是只盯宏观准确率。
5. 胃癌分型标志基因提取的 5 个高频坑：现象、原因和解决方法
5.1 模型训练集内验证准确率 98%，外部队列直接崩溃
训练集交叉验证 AUC 高得离谱，外部队列却几乎和随机猜测差不多，这是整个流程里最常出现的现象。原因通常是三类：训练集和测试集之间发生了信息泄露，或者外部队列本身的平台差异太大，亦或最终基因集过拟合了训练队列的特异性噪声。
解决办法是先把泄露排查干净。检查标准化是否在切分前做了，检查差异表达基因筛选是否用了全量数据，检查是否有交叉验证里意外带入了批次变量。如果这些都排除了，再看外部队列是否能用 ComBat 或 limma 的removeBatchEffect校正。注意，批次校正只能在确认两个队列的标签体系兼容之后做，不能无脑先跑一遍校正。
5.2 标签体系不同导致基因名单不一致
你拿 TCGA 的分型标签训练出的标志基因，放到带 ACRG 标签的队列里验证，发现连验证流程都做不了。这不是模型的问题，而是标签本身就是两套定义。TCGA 分型从基因组特征出发，ACRG 分型更强调微卫星状态和 TP53 通路，它们虽然有重叠，但不能一一对应。
解决方式不是强行做标签映射。你可以先做一次一致性检查，看训练集和外部队列共享多少样本，或者直接换一个与训练集标签体系相同的队列做验证。如果只有 ACRG 队列可用，就把外部验证的目标从“预测亚型一致”改成“预测分型分组后的生存差异是否仍然显著”，这是很多论文实际采用的做法。标志基因提取必须忠于标签体系，跨体系迁移属于另一个研究问题。
5.3 Lasso 多次运行结果不稳定，基因名单来回变
同样的数据，换个随机种子，Lasso 挑出的基因名单就变了十几个。这个现象在很多高相关表达矩阵里都会出现，直接原因是基因共线性：一个通路里的几十个基因表达高度同步，Lasso 的 L1 惩罚从里面随机留一个，换个数据扰动又会换成另一个。
解决方法是换用 ElasticNet，调低l1_ratio到 0.6 到 0.8，再对候选基因做相关性聚类去冗余。另一种更稳的做法是 bootstrap Lasso：有放回抽 50 到 100 次，每次跑一遍 Lasso，最后统计每个基因的入选频率，保留出线率超过 50% 的基因。这个“频率法”会牺牲少量精度，但对后续验证的稳定性提升非常大。
5.4 类别不平衡让模型直接放弃小众亚型
EBV 型胃癌在所有亚型里占比很小，如果队列里只有不到 10 个样本，很多模型会直接把它当成噪声忽略，训练出的分类器对其他亚型判断准确，一到 EBV 就万事皆空。
解决方法是分层采样优先，其次是class_weight='balanced'，最后才是 SMOTE 这类过采样手段。SMOTE 在基因数据上要特别小心，它会在两个真实样本之间线性插值，制造出不属于任何真实生物学状态的合成样本，用在验证集上显得假，用在训练集上又可能放大过拟合。我的建议是：样本实在太少时，只对少数类做简单随机过采样，然后同步调降少数类的验证权重。
5.5 基因集在表达矩阵上可用，但一到蛋白或单细胞层面就失效
最后一个坑出现在换数据平台的阶段。从 RNA-Seq 里筛出的标志基因，在蛋白表达层面往往表现没那么好，因为转录水平和蛋白丰度之间有翻译调控和蛋白降解的缓冲。单细胞数据更是会遇到稀疏问题，同一套基因从 bulk 到单细胞，表达矩阵的零占比完全不同。
这类验证失败不代表基因集无效，但至少说明该基因集的使用范围被限制在转录组层面。如果要推得更远，尽量减少对单个基因绝对表达值的依赖，转而使用“基因组合评分”或通路活性评分。也就是说，把分型标志基因从“名单”升级为“向量”，在外部数据里计算每个样本的评分再判型，这个思路会让跨平台兼容性明显改善。
6. 让基因面板真正落地：跨队列验证与标签迁移的两件关键事
6.1 三种独立验证方式，不只会跑 ROC
在训练集和第一个外部队列都通过后，我会补上三种不同类型的验证，缺一不可。一是生存差异验证，把最终基因集的预测分型放进生存分析，看不同亚型的总生存是否有显著差异，这是分型标志基因最有临床说服力的一环，常用的是 log-rank 检验和 Cox 回归。二是文献回溯验证，把最终基因列表拿去看这些基因是否在已经发表的其他胃癌分型或预后模型中出现过，如果核心基因完全陌生，需要警惕是不是模型钻了队列特有噪声的空子。三是跨平台验证，有条件的话用另外一批芯片表达数据或蛋白组数据试一次，步子不必迈太大，但至少能确认这套基因不是某个测序批次专属的“暗号”。
这三个验证做完，我才会把特征集定为“标志基因集”。它们不是论文审稿人逼着加的附件，而是真实让模型判断力变可信的东西。基因列表一旦脱离数据平台和人群背景，就只是一个看起来像结论的中间产物。
6.2 分型标签不统一时，迁移比强制映射更实用
最后要面对的往往是标签迁移问题。训练集用的是 TCGA 分型，外部队列用的是 ACRG 分型，两边标签不完全兼容。我以前会试图做一对一的标签映射表，后来发现这样做会引入更多主观判断。更实际的做法是把多分类问题拆成几个更鲁棒的二元问题，比如“高 MSI 型 vs 非 MSI 型”，这在一套标签体系下都能成立。先把这一类预测做到了跨队列稳定，再回去处理其他亚型，流程的可用性反而更高。
我现在养成的习惯是，在项目记录里先写清楚“标签体系、样本来源、预处理版本、随机种子”，再写模型结果。没有这四个字段，任何一组标志基因名单都失去了被复现的前提。跨队列验证和标签迁移这两步做完，整套基因提取流程才算闭环。希望这篇笔记能帮你少走几步弯路，把时间留在真正值得解决的分型问题上。
本文还有配套的精品资源，点击获取
