engGNN: Una Red Neuronal de Doble Grafo para la Clasificación de Enfermedades Basada en Ómicas y Selección de...

Área de la Ciencia:

• Bioinformática
• Biología Computacional
• Genómica

Sus antecedentes:

• Los datos ómicos (transcriptómica, proteómica, metabolómica) son cruciales para comprender las enfermedades, pero presentan desafíos como la alta dimensionalidad y los tamaños de muestra pequeños.
• Los métodos existentes de Redes Neuronales de Grafos (GNN) para el análisis de datos ómicos a menudo se basan en grafos externos o impulsados por datos, lo que limita su capacidad para capturar información integral.

Objetivo del estudio:

• Desarrollar un novedoso marco de doble grafo, engGNN, que integre tanto redes biológicas externas como grafos impulsados por datos para mejorar el análisis de datos ómicos.
• Mejorar el rendimiento predictivo y la interpretabilidad de las GNN en la clasificación de enfermedades y el descubrimiento de biomarcadores utilizando datos ómicos de alta dimensionalidad.

Principales métodos:

• El marco engGNN construye un grafo de características no dirigido biológicamente informado a partir de bases de datos de redes establecidas.
• Complementa el grafo no dirigido con un grafo de características dirigido derivado de modelos de conjuntos de árboles, creando un enfoque de doble grafo.
• Este diseño de doble grafo genera incrustaciones más completas para los datos ómicos.

Principales resultados:

• engGNN demostró un rendimiento superior en comparación con las líneas de base de última generación en simulaciones exhaustivas y análisis de datos de expresión génica del mundo real.
• El marco logró una precisión predictiva mejorada en tareas de clasificación de enfermedades.
• engGNN proporcionó puntuaciones interpretables de importancia de características, facilitando descubrimientos biológicamente significativos como el análisis de enriquecimiento de vías.

Conclusiones:

• engGNN ofrece un marco robusto, flexible e interpretable para analizar datos ómicos de alta dimensionalidad.
• El enfoque de doble grafo aborda eficazmente las limitaciones de los métodos GNN existentes en la investigación ómica.
• Este marco tiene un potencial significativo para avanzar en la clasificación de enfermedades y el descubrimiento de biomarcadores.