В исследовании, опубликованном в 2026 году, авторы применили интерпретируемые методы машинного обучения для интеграции транскриптомных и эпигеномных данных с целью улучшения молекулярной характеристики метастатического колоректального рака (CRC). Анализ включал 518 первичных опухолей из когорты TCGA-COAD/READ (436 неметастатических [M0] и 82 метастатических [M1]) с парными данными RNA-seq и метилирования ДНК. Пять классификаторов машинного обучения (включая SVM, логистическую регрессию и ансамблевые модели) оценивались на способность различать метастатический статус с использованием стратифицированной вложенной кросс-валидации. Интеграция RNA-seq и метилирования ДНК показала наилучшую дискриминацию: SVM достиг ROC-AUC 0.787 ± 0.047. Шесть признаков (ARC, ASPDH, C13orf15, C4orf23, GPATCH3 и cg12040555) стабильно входили в топ-20 предикторов в четырех моделях с согласованными направлениями эффекта. Ключевой находкой стала обратная корреляция метилирования cg10057218 с экспрессией гена GSDMB (Spearman rho = -0.589), при этом уровень метилирования был повышен в M1-опухолях. Медиационный анализ подтвердил значимый косвенный эффект: метилирование cg10057218 опосредует 82.1% связи между метастатическим статусом и сниженной экспрессией GSDMB (косвенный эффект = -0.370; 95% ДИ [-0.519, -0.224]). Кроме того, в M1-опухолях наблюдалась сниженная иммунная транскрипционная активность. Авторы построили каноническую молекулярную оценку из 20 признаков, которая разделяла M1 и M0 с ROC-AUC 0.918 на обучающей выборке, а соответствующая модель логистической регрессии достигла ROC-AUC 0.781 ± 0.046 при вложенной кросс-валидации. Более высокие значения оценки ассоциировались с худшей общей выживаемостью (log-rank p = 1.67 × 10^-7). Результаты подчеркивают согласованные молекулярные и иммунные различия между M0 и M1 опухолями и идентифицируют репрессию GSDMB, связанную с метилированием cg10057218, как кандидатный эпигенетический маркер метастатического заболевания, что может иметь значение для прогнозирования и таргетной терапии.