GCN Bernstein Dinámico para Clasificación de Subtipos Pan-Cáncer Utilizando Datos de RNA-Seq y CNV

Área de la Ciencia:

• Biología computacional y bioinformática
• Aprendizaje automático en oncología
• Biología de sistemas y análisis de redes

Sus antecedentes:

• La clasificación de subtipos de cáncer es un desafío debido a las complejas interacciones multiómicas.
• Los modelos convencionales de aprendizaje automático luchan por representar estas interacciones de manera efectiva.
• Las Redes Convolucionales de Grafos (GCNs) utilizan topologías biológicas pero tienen una propagación fija, lo que limita su adaptabilidad.

Objetivo del estudio:

• Introducir una arquitectura novedosa, la Red Convolucional de Grafos Bernstein Dinámica (DB-GCN), para la clasificación de subtipos de cáncer.
• Permitir el aprendizaje consciente de la topología mediante propagación espectral adaptativa con polinomios de Bernstein.
• Soportar la integración de datos uni-ómicos (RNA) y multi-ómicos (RNA+CNV) dentro de un marco de grafos.

Principales métodos:

• Se desarrolló DB-GCN con propagación espectral adaptativa utilizando polinomios de Bernstein, evitando la eigecomposición.
• Se integraron datos uni-ómicos (RNA) y multi-ómicos (RNA+CNV).
• Se empleó un diseño de doble vía que combina una vía de grafo de Bernstein y un perceptrón multicanal ómico.

Principales resultados:

• Se logró una alta precisión en la clasificación de subtipos pan-cáncer en 28 subtipos de TCGA utilizando datos multiómicos (86,05% ± 0,83 en STRING).
• Se identificaron genes biomarcadores putativos (por ejemplo, KLK11, OR4F15, UBE2DNL) utilizando análisis SHAP.
• Se encontró que 12 de los 50 genes identificados principales se mapean en vías de cáncer KEGG.

Conclusiones:

• DB-GCN ofrece un marco preciso e interpretable basado en grafos para la clasificación de subtipos pan-cáncer.
• El modelo captura eficazmente las interacciones genéticas complejas para mejorar la oncología de precisión.
• DB-GCN facilita el descubrimiento robusto de biomarcadores para la investigación del cáncer.