CancerRCDPredictor：多组学超级学习器驱动的精准肿瘤学预测平台

CancerRCDPredictor是基于多组学数据和超级学习器架构的癌症调控性细胞死亡预测平台，整合七种分子层面数据与可解释AI技术，为精准肿瘤学提供透明、可审计的临床决策支持工具。该平台由BioCancerInformatics团队开发，开源于GitHub，发布时间为2026-05-28。

癌症治疗向精准医学转型中，传统Cox比例风险模型假设常失效，单一组学数据无法捕捉癌症异质性全貌。肿瘤基因组数据存在稀疏性、高维度及非线性生存结构等挑战，整合异质数据源同时保持模型可解释性是核心问题。

CancerRCDPredictor采用R Shiny交互式设计，基于Pan-Cancer Multi-Omic SuperLearner架构，整合33种肿瘤类型的七种组学数据：蛋白质丰度、体细胞突变、拷贝数变异、miRNA表达、转录本异构体特异性表达、mRNA表达、DNA甲基化。数据通过11部分令牌化命名系统标准化编码。

核心为Multi-View Elastic Net SuperLearner(MVL)，动态整合Random Survival Forests、XGBoost、Survival-Boruta、Multi-Task Logistic Regression四个基础学习器；通过四重验证框架筛选出150个"Golden Anchors"特征，发现连续表型层（转录本异构体、mRNA）主导预测拓扑，静态基因组变异保留率为0%。

针对缺失值部署12种插补方法及372个谱系特异性协调多组学矩阵；采用Dual-Track Inference Engine：路径A为结构完整记录生成连续风险Z分数，路径B为碎片化记录路由至XGBoost回退，确保100%预测穿透率。

集成SHAP Beeswarm图、LIME替代模型、TreeSHAP可视化工具，映射26800个跨特征依赖关系；遵循三阶段审计合规架构，通过IPCW和Time-Dependent Brier Scores校准预测概率，确保临床可靠性。

在1050个患者临床盲法验证队列中表现稳健，尤其在低级别胶质瘤(LGG)等高熵环境中效果优异，克服传统单一生物标志物预测局限。

CancerRCDPredictor代表精准肿瘤学AI工具的新一代范式，揭示连续表型层主导生存预测等关键发现；兼具教育价值（教学沙盒）与临床转化标杆意义，为计算生物学研究者、临床肿瘤学家提供工具与研究方向。