37、癌症与人类健康风险评估中的统计方法与案例研究

癌症与人类健康风险评估中的统计方法与案例研究

一、研究背景与模型求解流程

在 19 世纪，数学建模在物理和工程领域的应用优势逐渐显现，到 20 世纪中叶，生物学、经济学、地理学、社会学、医学和心理学等领域也开始从数学建模和统计推断中受益。

模型求解通常可分为以下七个步骤：
1. 构建模型
2. 明确模型假设
3. 描述数学问题
4. 解决问题
5. 解释解决方案
6. 验证模型
7. 运用模型解释、预测和决策现实现象

这个流程适用于确定性和随机建模方法。在生物学和医学中，由于测量误差的存在，确定性建模难以反映真实情况，因此统计或随机模型更为合适，但也更为复杂。随机建模除了对前三个步骤进行修改外，主要包含在上述步骤 4 中，具体步骤如下：
- 4a. 构建统计模型
- 4b. 生成实验数据
- 4c. 将数学和统计模型与数据拟合
- 4d. 确定参数估计及其不确定性

二、案例研究概述

案例研究旨在将风险评估方法与实际数据相结合。数据大多来自流行病学研究，需要开发新的统计策略。这里选取了六个案例，数据范围涵盖基础分子数据、肺功能和神经生理系统的临床数据，以及儿童白血病、黑色素瘤和甲状腺癌的癌症数据。从方法论角度，分类、判别和回归等统计方法常用于确定风险因素，如逻辑回归方法在肺癌风险因素评估中已有应用。

不同案例还体现了研究的局限性和挑战。例如，西班牙萨拉戈萨地区的辐射研究结果不能推广到整个西班牙或欧洲，但对该地区仍有参考价值；斯洛伐克某小区域长期高砷污染的研究则凸显了流行病学研究中暴露测量的重要性和困难，该研究通过测量特定亚人群头发中的砷含量作为间接暴露值。此外，个体基因组数据的测量可能会对风险评估的各个方面产生影响。

三、结直肠癌生物标志物研究 - 实验与数据

DNA 微阵列技术可同时测量数千个基因的表达水平，在癌症研究中具有重要意义，可用于肿瘤诊断、分类、转移风险评估等。但分析微阵列实验数据面临“大 p 小 n”的非标准统计问题，传统统计方法效果不佳。

研究目的是找出结直肠癌与正常组织中差异表达（DE）的基因，评估新样本的预测性，并为结直肠癌人群筛查开发生物标志物对基因进行排序。

实验从 58 名结直肠癌患者获取癌症和正常组织样本，基本患者特征如下表所示：
|特征|详情|
| ---- | ---- |
|性别|男：女 = 32:26|
|年龄（岁）|中位数（范围）65（28 - 90）|
|肿瘤位置|结肠 20，直肠 29，乙状结肠 9|
|Dukes 分期|B 期 23，C 期 27，D 期 8|

最初尝试从所有患者的肿瘤和正常组织中提取总 RNA，最终得到 20 对匹配样本，以及大小分别为 16 和 22 的两个独立样本。进行 cDNA 微阵列实验，使用 17K 人类 cDNA 微阵列的共同参考设计，用 M = log2(R/G) 评估相对强度。还对六个选定基因进行了定量实时逆转录聚合酶链反应（RT - PCR）测定。

四、数据预处理

为了有效利用匹配对数据集和两个独立数据集，将匹配对样本作为训练集检测 DE 基因，两个独立样本作为测试集验证所选的 DE 基因。定义基因的无缺失比例（NMP）为有效观测值在总阵列数中的比例。数据预处理步骤如下：
1. 按照 Yang 等人（2002）的方法，使用打印尖端组内、强度依赖的归一化方法对 log 强度比（log2 R/G）进行归一化。
2. 分别使用 0.8 和 0.7 作为 NMP 切点，从训练集和测试集中删除基因，以平衡训练集和测试集的基因数量约为 13500 个。由于训练集和测试集的 NMP 值不同，基因并非在所有三个数据集中同时删除。
3. 采用 k - 最近邻（k = 10）方法插补缺失值。
4. 对多个斑点的值进行平均，其中重复、三重和四重斑点的数量分别为 1329、10 和 5。
5. 合并训练集和测试集，得到一个 12311×78 的矩阵，其中 12311 表示基因数量，78 表示微阵列数量。在（位置参数）归一化后，通过对各种箱线图的研究，认为无需在阵列内的块之间或阵列之间进行尺度归一化。

五、数据结构与统计问题

对于匹配对数据集中的 20 名患者，用 ({(X_i, Y_i)}_{i = 1}^{20}) 表示数据，其中 (X_i) 和 (Y_i) 分别表示第 (i) 名患者的共同参考与正常组织杂交以及共同参考与肿瘤组织杂交的 M 值。对于仅获得正常组织 RNA 样本的 16 名患者，其 M 值记为 U，与 (X) 具有相同的边际分布；对于仅获得肿瘤组织 RNA 样本的 22 名患者，其 M 值记为 V，与 (Y) 具有相同的分布。实验的三种数据类型如下表所示：
|杂交类型|共同参考 vs 正常组织|共同参考 vs 肿瘤组织|病例数量|
| ---- | ---- | ---- | ---- |
| |X|Y|20 (n1)|
| |U|缺失|16 (n2)|
| |缺失|V|22 (n3)|

为了利用整个数据集，首先将匹配对数据集作为训练集，从中检测正常组织和肿瘤之间的一组 DE 基因，然后将两个独立数据集作为测试集验证所选的 DE 基因。采用以下三种程序从大小为 20 的匹配对样本中检测一组 DE 基因：
- 配对 t 检验和 Dudoit 等人的最大 T 程序，用于控制家族式错误率（FWER）。由于计算限制，使用 100000 个大小为 20 的自助样本推导配对 t 统计量的零分布。
- Tusher 等人的 SAM 程序，这是一种带有修改 t 统计量的置换检验，采用错误发现率（FDR）控制第一类错误。在使用 k - 最近邻方法插补缺失值时设置 k = 10，并在运行 SAM 程序时将置换次数固定为 5000。
- Lo¨nnstedt 和 Speed 的经验贝叶斯程序，使用 B 统计量。实验者可以根据 B 值结合实验偏好选取前 100 个基因。

此外，还提出使用 Hotelling’s T² 统计量进行多变量分析以检测一组 DE 基因，并提出一个基于 t 统计量的 t3 统计量，用于结合三种数据类型检测 DE 基因。

六、研究结果

使用单变量程序（i） - （iii）基于大小为 20 的匹配对数据集检测结直肠癌与正常结直肠组织中的 DE 基因，发现这三种程序得到的 DE 基因集大致相同。对测试集进行分类以验证所选的 DE 基因，发现只需少数基因即可实现 0% 的测试误差。作为多变量程序的初步尝试，使用 Hotelling’s T² 统计量进行分析。

综上所述，这些研究为癌症风险评估和生物标志物的发现提供了有价值的方法和思路，但在实际应用中仍需对统计建模方法进行批判性评估，可通过以下六个问题进行检查：
1. 统计技术是否足以分析数据？
2. 是否采用了最优设计方法？
3. 模型是否有用，软件是否合适？
4. 是否考虑并讨论了竞争模型和情况？
5. 是否对特定的生物学、医学等案例进行了充分研究？
6. 是否考虑了所有数据？

希望这些研究能为相关领域的从业者在未来的定量风险评估任务中提供参考和启示。

癌症与人类健康风险评估中的统计方法与案例研究

七、统计方法的选择与优化

在进行癌症风险评估和生物标志物研究时，选择合适的统计方法至关重要。不同的统计方法具有不同的特点和适用场景，需要根据数据的类型和研究目的进行选择。

例如，配对 t 检验和 Dudoit 等人的最大 T 程序适用于控制家族式错误率（FWER），对于需要严格控制第一类错误的研究非常有用。Tusher 等人的 SAM 程序采用错误发现率（FDR）控制第一类错误，在检测显著基因方面更为敏感。而 Lo¨nnstedt 和 Speed 的经验贝叶斯程序则可以结合实验偏好选取基因。

为了更好地选择和优化统计方法，我们可以参考以下步骤：
1. 明确研究目的 ：确定是要检测差异表达基因、进行风险评估还是其他目的。
2. 分析数据类型 ：判断数据是配对数据、独立数据还是混合数据，以及数据的分布特征。
3. 考虑统计方法的特点 ：了解不同统计方法的优缺点，如控制错误率的能力、检测效率等。
4. 进行方法比较 ：可以使用模拟数据或实际数据对不同的统计方法进行比较，选择最适合的方法。
5. 优化参数设置 ：根据数据和研究目的，调整统计方法的参数，如置换次数、k 值等。

八、数据质量与实验设计

数据质量和实验设计直接影响研究结果的可靠性。在进行癌症研究时，需要注意以下几个方面：
1. 样本采集与处理 ：确保样本的采集过程规范，避免样本污染和损坏。对样本进行妥善处理和保存，以保证 RNA 等生物分子的质量。
2. 实验设计 ：合理设计实验方案，如采用匹配对设计或独立样本设计，以减少个体差异的影响。同时，要考虑实验的重复性和可靠性。
3. 数据预处理 ：对原始数据进行预处理，如归一化、缺失值插补等，以提高数据的质量和可比性。
4. 验证实验 ：进行验证实验，如定量实时逆转录聚合酶链反应（RT - PCR），以验证微阵列实验的结果。

以下是一个数据质量和实验设计的检查清单：
|检查项目|检查内容|
| ---- | ---- |
|样本采集|采集过程是否规范，样本是否有污染和损坏|
|样本处理|样本处理和保存是否得当，RNA 质量是否符合要求|
|实验设计|实验方案是否合理，是否考虑了个体差异和重复性|
|数据预处理|是否进行了归一化、缺失值插补等预处理操作|
|验证实验|是否进行了验证实验，验证结果是否与微阵列实验一致|

九、多变量分析的应用

多变量分析在癌症研究中具有重要的应用价值。它可以同时考虑多个变量之间的关系，更全面地分析数据。在结直肠癌生物标志物研究中，我们提出使用 Hotelling’s T² 统计量进行多变量分析以检测一组差异表达基因。

多变量分析的一般步骤如下：
1. 数据准备 ：将相关变量整理成合适的矩阵形式。
2. 选择统计量 ：根据研究目的和数据特点，选择合适的多变量统计量，如 Hotelling’s T² 统计量。
3. 计算统计量 ：使用选定的统计量对数据进行计算。
4. 结果分析 ：根据统计量的结果进行分析，判断变量之间的关系和差异。

以下是一个多变量分析的 mermaid 流程图：

graph LR
    A[数据准备] --> B[选择统计量]
    B --> C[计算统计量]
    C --> D[结果分析]

十、未来研究方向

随着科技的不断发展，癌症研究领域还有许多值得探索的方向。
1. 个体基因组数据的应用 ：个体基因组数据的测量为癌症风险评估和生物标志物的发现提供了新的机遇。未来可以进一步研究如何利用个体基因组数据提高癌症诊断和治疗的准确性。
2. 多组学数据的整合 ：除了基因表达数据，还可以结合蛋白质组学、代谢组学等多组学数据进行综合分析，以更全面地了解癌症的发生发展机制。
3. 机器学习和人工智能的应用 ：机器学习和人工智能技术在数据分析和模式识别方面具有强大的能力，可以应用于癌症风险评估和生物标志物的筛选。
4. 临床应用的推广 ：将研究成果应用于临床实践，为癌症患者提供更有效的诊断和治疗方案。

以下是未来研究方向的列表：
- 深入研究个体基因组数据在癌症风险评估中的应用
- 开展多组学数据整合的研究
- 探索机器学习和人工智能在癌症研究中的应用
- 推动研究成果的临床应用

通过不断探索和创新，我们有望在癌症风险评估和生物标志物研究领域取得更大的突破，为癌症的防治做出更大的贡献。