MOTGNN: Redes Neuronales Interpretables para Clasificación de Enfermedades Multi-Ómicas

Área de la Ciencia:

• Bioinformática
• Biología Computacional
• Genómica

Sus antecedentes:

• La integración de datos multi-ómicos (metilación de ADN, ARNm, microARN) ofrece información sobre los mecanismos de las enfermedades.
• Los desafíos incluyen la alta dimensionalidad, la heterogeneidad de los datos y la falta de redes confiables.
• Los modelos existentes a menudo carecen de interpretabilidad y son vulnerables al desequilibrio de clases.

Objetivo del estudio:

• Proponer MOTGNN, un marco novedoso e interpretable para la clasificación binaria de enfermedades utilizando datos multi-ómicos.
• Abordar las limitaciones de los métodos existentes, incluidos los grafos diseñados manualmente y el desequilibrio de clases.

Principales métodos:

• El marco MOTGNN utiliza eXtreme Gradient Boosting (XGBoost) para la construcción supervisada de grafos.
• Emplea Redes Neuronales Gráficas (GNN) específicas de modalidad para el aprendizaje de representaciones jerárquicas.
• Integra datos ómicos utilizando una red neuronal profunda de alimentación directa.

Principales resultados:

• MOTGNN logró una precisión, ROC-AUC y puntuación F1 entre un 5 y un 10% más altas en tres conjuntos de datos de enfermedades en comparación con los métodos de referencia de última generación.
• Demostró robustez ante un desequilibrio severo de clases.
• Proporcionó interpretabilidad incorporada, identificando biomarcadores clave y contribuciones de modalidad.

Conclusiones:

• MOTGNN ofrece un avance significativo en la integración de datos multi-ómicos para la clasificación de enfermedades.
• El marco mejora la precisión predictiva manteniendo la eficiencia computacional y la interpretabilidad.
• MOTGNN tiene potencial para mejorar las aplicaciones biomédicas a través de una mejor modelización de enfermedades.