TF-DWGNet: Una Red Neuronal de Grafos Dirigidos y Ponderados con Fusión Tensorial para la Clasificación de Subtipos...

Área de la Ciencia:

• Bioinformática
• Biología Computacional
• Genómica

Sus antecedentes:

• La integración de datos multi-ómicos es crucial para la clasificación de subtipos de cáncer, pero enfrenta desafíos debido a la heterogeneidad de los datos y las dependencias complejas.
• Los métodos existentes de redes neuronales de grafos (GNN) a menudo utilizan grafos predefinidos y no dirigidos, lo que limita su capacidad para capturar interacciones direccionales y la importancia de las características.
• La interpretabilidad limitada en los modelos GNN actuales dificulta el descubrimiento de información biológica.

Objetivo del estudio:

• Presentar TF-DWGNet, un novedoso marco de GNN para la integración multi-ómica y la clasificación de subtipos de cáncer.
• Abordar las limitaciones de las GNN existentes incorporando la construcción de grafos dirigidos y ponderados y la fusión tensorial.
• Mejorar la interpretabilidad del modelo tanto a nivel de modalidad como de característica.

Principales métodos:

• Se desarrolló una estrategia supervisada basada en árboles para construir grafos dirigidos y ponderados adaptados a cada modalidad ómica.
• Se implementó un mecanismo de fusión tensorial con descomposición de bajo rango para capturar eficientemente interacciones unimodales, bimodales y trimodales.
• Se evaluó TF-DWGNet en tres conjuntos de datos de cáncer del mundo real.

Principales resultados:

• TF-DWGNet superó consistentemente a los métodos de vanguardia en múltiples métricas y pruebas estadísticas.
• El modelo demostró un rendimiento superior en la clasificación de subtipos de cáncer multiclase.
• Se obtuvieron conocimientos biológicamente significativos a través de puntuaciones de contribución a nivel de modalidad y la importancia clasificada de las características.

Conclusiones:

• TF-DWGNet ofrece una solución eficaz e interpretable para la integración de datos multi-ómicos en la investigación del cáncer.
• El marco captura con éxito las dependencias complejas y las fortalezas de interacción dentro y entre los datos ómicos.
• Proporciona una herramienta prometedora para avanzar en la clasificación y comprensión de los subtipos de cáncer.