CMap转录谱靶点检索性能

基因集合、参考频次、评分方法、E-distance与靶点生物学的严格配对评价

主要发现

• 978基因配置提高了同Target和同MoA分子的早期检索率。 严格配对的Target Hit@30为47.25%，高于12,328基因的42.80%；MoA Hit@30为30.05%，高于24.95%。
• 参考频次显著影响原始Hit率。 同Target参考分子越多，Top K随机包含相关分子的概率越高。
• WTCS适合作为Target和MoA主要排序。 EF@10对频次不超过10的低频Target提供补充，高频Target仍以WTCS检出率较高。
• 全部查询汇总后，高E-distance谱具有较高检索率。 分层结果显示该收益随Target频次和蛋白类别改变。
• 相同条件下，各蛋白家族的Target@30差异明显。 微管蛋白为70.4%，HDAC为60.6%，PI3K为55.7%；GPCR、离子通道和CYP分别为8.9%、7.8%和7.2%。
• 时间和剂量效应随蛋白家族改变。 24小时明显提高微管蛋白、PI3K和其他染色质调节蛋白的Target@30；微管蛋白和PI3K在1－<10 μM组最高，HDAC在较低剂量组最高。

1. 一次CMap查询是怎样完成的

1.1 查询分子具有多条谱时如何处理

假设查询分子Q具有三条谱：

• Q@A549@10 μM@6 h
• Q@MCF7@10 μM@6 h
• Q@A549@10 μM@24 h

三条谱分别执行CMap查询，不预先取平均。

每次查询均从参考库中删除Q的全部谱，防止同一分子在不同细胞、剂量或时间下发生自匹配。

三条查询分别得到候选分子排名和候选Target排名。评价时先计算每条谱是否命中，再对Q的三条谱取平均。每个查询分子在最终统计中获得相同权重。

1.2 候选分子具有重复谱时如何处理

一个参考分子可能具有多条谱：

| 参考谱 | WTCS | | --- | ---: | | Drug A@A549@6 h | 0.82 | | Drug A@MCF7@24 h | 0.71 | | Drug A@PC3@6 h | 0.64 |

Drug A的分数取最高WTCS，即0.82。Drug A在候选分子排名中只出现一次。

Top 10分子表示10个不同分子，不包含同一分子的重复谱。

2. 两种检索结果分别表示什么

| 同Target或同MoA分子检索 | 已知Target检出 | | --- | --- | | 查询谱 → 全部参考谱WTCS → 同一候选分子的重复谱取最高值 → 不同候选分子Top K → 检查是否存在同Target或同MoA分子 | 查询谱 → 不同候选分子及WTCS → 读取候选分子的Target → 每个Target取最高支持WTCS → Target Top K → 检查已知Target是否进入前K名 |

2.1 同类分子命中率Hit@K

已知查询分子Q的Target为T1。候选分子排名如下：

| 名次 | 候选分子 | 已知Target | | ---: | --- | --- | | 1 | Drug A | T3 | | 2 | Drug B | T1 | | 3 | Drug C | T4 | | 4 | Drug D | T1、T5 |

Drug B与查询分子共享T1，因此：

• Hit@1 = 0
• Hit@3 = 1
• Hit@5 = 1

MoA采用相同计算方法，将共享Target改为共享MoA。

Hit@K检索成功率等于所有查询分子的Hit@K平均值。例如100个查询分子中有47个在前30名出现同Target分子，则Target Hit@30为47%。

2.2 已知靶点检出率Target retrieval@K

先按WTCS排列不同候选分子，再把候选分子的Target注释转换成Target分数。

| 候选分子 | WTCS | Target | | --- | ---: | --- | | Drug A | 0.92 | T3 | | Drug B | 0.86 | T1、T4 | | Drug C | 0.79 | T2 | | Drug D | 0.73 | T1 |

每个Target取支持分子中的最高WTCS：

| Target名次 | Target | 最高支持WTCS | | ---: | --- | ---: | | 1 | T3 | 0.92 | | 2 | T1 | 0.86 | | 3 | T4 | 0.86 | | 4 | T2 | 0.79 |

查询分子的已知Target为T1，T1排名第2，因此：

• Target retrieval@1 = 0
• Target retrieval@3 = 1
• Target retrieval@5 = 1

查询分子有多个已知Target时，每个“查询分子－已知Target”分别评价。查询分子有多条谱时，先计算每条谱的0或1结果，再对该分子－Target组合取平均。全部组合在最终统计中等权。该指标用于按照Target参考频次统计已知靶点的检出率。

2.3 Recall@K

Recall@K评价前K名找回了多少相关分子：

Recall@K = 前K名中的同Target或同MoA分子数 / 参考库中全部同Target或同MoA分子数

例如参考库中存在20个其他同Target分子，前30名命中3个：

Recall@30 = 3 / 20 = 15%

Hit@K记录是否至少命中一个相关分子。Recall@K记录全部相关分子中有多少进入前K名。

2.4 富集因子EF@K

EF@K比较某个Target在前K名中的比例与其在完整参考库中的比例：

EF@K = (h / K) / (m / N) = hN / (Km)

其中，h为前K名中具有该Target的候选分子数，m为完整候选库中具有该Target的分子数，N为排除查询分子后参与排名的候选分子总数。EF@K = 1对应随机背景水平。

2.5 首次命中名次

记录第一个同Target或同MoA分子出现的位置。

第一个相关分子位于第7名时，首次命中名次为7。数值越小，相关分子出现越早。

3Source for 3Source: 严格配对的978与12,328基因评价Table: read_csv_auto. 978基因在严格配对评价中检出率更高

比较固定57,508条查询谱、136,454条参考谱、29,695个标准化分子、全部Target和MoA注释以及查询分子排除规则。两次计算的差异仅来自参与WTCS的基因集合。978基因每个方向使用98个基因，12,328基因每个方向使用1,233个基因。

978基因在Target和MoA的Top 5、Top 10和Top 30中均获得较高Hit率。landmark基因集中包含反映细胞状态变化的信息，较短的上调和下调列表也减少了低排名基因对WTCS的稀释。当前比较同时改变了基因集合和查询基因数，固定查询基因数量的消融实验仍需补充。

4. 参考频次与Target排序

4.1 参考频次与原始命中率

参考频次表示排除查询分子后，参考库中具有同一Target或MoA注释的其他分子数。频次升高会增加Top K随机出现相关分子的概率，原始Hit率需要结合频次和Recall解释。

4.2 WTCS与EF@10

WTCS Target分数取全部支持分子中的最高WTCS。EF@10等于“前10名中的Target比例”除以“完整参考库中的Target比例”。WTCS在全部Target和MoA中获得较高检出率；EF@10的收益主要出现在频次不超过10的Target。单分子支持可产生较高EF，报告EF时同时列出观察命中数、参考频次、P值、FDR和支持分子。

5. E-distance的收益随Target频次改变

5.1 Target频次与E-distance五分位

E-distance按978个基因表达变化的平方和计算，表示转录变化总幅度。全部查询汇总后，高E-distance组具有较高Hit@30。E-distance增加对低频Target的帮助较大；频次超过100的Target在E2达到最高值，E3至E5连续下降。

5.2 高频Target的E1至E5变化

频次1至5的Target@30由E1的1.43%升至E5的6.33%；频次超过100的组由E1的33.35%降至E5的28.83%。固定2,043个相同分子－Target组合后，E1为34.03%，E5为28.90%。高频组下降主要涉及CHRM、HTR、ADRA和SLC6A4等受体或转运体。较大的E-distance可同时包含多靶点作用、细胞应激、增殖改变和长时间处理形成的继发转录程序。

6. 蛋白家族的Target@30

第一张图显示各家族的观察Target@30及条件基线，第二张图显示观察值相对条件基线的差值。共同条件下的Target@30列于随后表格。家族结果采用HGNC固定注释，每个Target等权，只保留至少包含5个合格Target的类别。

6.1 观察Target@30与条件基线

条件基线由该家族实际Target频次、E-distance、细胞、时间、剂量和查询分子Target注释数计算。观察值高于基线表示该家族比这些条件所能解释的结果更容易检索；观察值低于基线表示检索难度更高。

HDAC的观察Target@30为72.6%，条件基线为23.7%；微管蛋白为67.0%和14.0%；PI3K为60.9%和18.7%。三类机制的观察检出率明显高于各自条件基线。

GPCR的观察值为17.3%，基线为21.5%；离子通道为5.6%和11.7%；CYP为11.0%和18.2%。这些类别在其实际参考频次和实验条件下仍低于基线。

6.2 相对条件基线的Target@30差值

差值等于观察Target@30减去条件基线。正值表示该家族比频次、E-distance和实验条件所能解释的结果更容易检索，负值表示更难检索。图中采用样本量收缩后的家族平均差值，减少查询Target较少造成的极端估计。

HDAC、微管蛋白和PI3K相对条件基线的收缩后差值分别为+27.3、+22.8和+21.3个百分点。GPCR、离子通道和CYP分别为-2.4、-3.3和-4.4个百分点。

微管扰动影响有丝分裂和细胞周期，HDAC直接改变染色质乙酰化，PI3K调节生长和存活信号，这些机制容易形成稳定且可重复的转录响应。膜受体、离子通道、转运体和代谢酶更依赖靶点表达、信号偶联、底物、离子环境及细胞功能。

6.3 共同条件下的Target@30

具体计算包括三步：

1. 以每条查询记录的Target@30命中状态为因变量，采用二项分布广义估计方程，纳入Target参考频次、E-distance及其二次项和交互项、细胞、处理时间、剂量、剂量缺失状态、查询分子Target注释数和蛋白家族；同一Target内的记录作为相关观测。
2. 对每个蛋白家族，保留全部查询记录原有的Target频次、E-distance、细胞、时间、剂量和Target注释数，仅将蛋白家族设为当前待评价家族，计算每条记录的预测Target@30概率。各家族由此使用同一批实验条件和频次分布。
3. 先在每个Target内汇总预测概率，再对Target等权平均，得到校正后Target@30；95%置信区间由模型协方差计算。

校正前Target@30为该家族各Target实际观察命中率的等权平均。

7. 978查询中不同蛋白家族的时间和剂量效应

本部分只使用严格配对的978基因查询谱。每个Target等权。时间比较统一Target频次、细胞、剂量和Target注释数分布；剂量比较统一Target频次、细胞、时间和Target注释数分布。时间或剂量引起的转录变化幅度保留在结果中。

7.1 处理时间

微管蛋白在24小时的Target@30为77.2%，高于6小时的54.5%；其他染色质调节蛋白由26.6%升至52.9%；PI3K由49.6%升至58.7%。核受体、GPCR、CYP和其他蛋白激酶小幅升高。HDAC由67.6%降至65.1%，转运体由13.1%降至11.1%，离子通道基本不变。

7.2 剂量

剂量效应随蛋白家族改变。微管蛋白和PI3K在1－<10 μM组达到最高Target@30，分别为85.2%和64.9%；HDAC在0.1－<1 μM组最高，为80.7%，≥10 μM组降至60.9%。GPCR、离子通道、CYP和转运体在≥10 μM组达到各自最高值。其他蛋白激酶在1－<10 μM组最高，为21.0%。

24小时有利于形成微管、PI3K和染色质调节相关的持续转录程序。HDAC在6小时已经产生较高检出率，延长处理未继续提高Target@30。膜受体、离子通道、转运体和CYP在高剂量组略有提高，其绝对Target@30仍低于微管、HDAC和PI3K。

剂量为名义培养浓度，未按EC50、IC50、细胞内暴露量或游离浓度归一化。不同剂量组之间的差异支持条件选择，不能直接解释为统一的剂量－效应关系。

8. 建议的CMap查询与报告方法

1. 使用978基因配置执行主要查询。
2. Target和MoA主要按WTCS排序。
3. 频次不超过10时补充EF@10，并报告观察命中数和支持分子。
4. 同时报告参考频次、Hit@K、Recall@K和首次命中名次。
5. 查询分子的多条谱分别计算，保留细胞、时间和剂量信息。
6. 低频Target优先比较较高E-distance谱。
7. 微管蛋白、PI3K和染色质调节蛋白优先比较24小时谱；HDAC同时保留6小时和24小时谱。
8. 剂量按照蛋白家族分别比较；微管蛋白和PI3K优先检查1－<10 μM，HDAC同时保留较低剂量。
9. 高频受体和转运体同时保留低至中等E-distance谱。
10. 高E-distance伴随凋亡、细胞周期或氧化应激时，降低Target特异性解释强度。

9. 研究限制

• 978与12,328的严格配对同时改变基因集合和每个方向的查询基因数。
• Target和MoA注释包含多靶点分子、缺失注释和家族共注释。
• 候选分子采用最高WTCS，参考谱较多的分子具有更多获得高分的机会。
• 细胞、时间和剂量来自观察性参考库，实验条件分布不均。
• 蛋白家族Target@30校正了已记录因素，未纳入靶点基础表达、重复一致性、细胞活性、通用应激评分和批次。
• 家族共注释提高机制类别检索，现有结果对亚型区分的支持较弱。

10. 结论

严格配对评价支持978基因配置用于CMap同Target和同MoA分子检索。参考频次决定原始Hit率的基础水平，WTCS适合主要Target和MoA排序，EF@10可补充低频Target。

全部查询汇总后，高E-distance与较高检索成功率相关；该关系随Target频次和蛋白类别改变。在相同Target频次、E-distance和实验条件下，微管蛋白、HDAC和PI3K的Target@30最高，GPCR、离子通道和CYP最低。24小时提高微管蛋白、PI3K和其他染色质调节蛋白的检索率；剂量效应具有家族特异性，未获得适用于全部Target的统一最佳剂量。