TF-DWGNet：テンソル融合を用いた多層オミクスがんサブタイプ分類のための有向加重グラフニューラルネットワーク

科学分野:

• バイオインフォマティクス
• 計算生物学
• ゲノミクス

背景:

• 多層オミクスデータの統合は、がんサブタイプ分類にとって重要ですが、データの異質性と複雑な依存関係による課題に直面しています。
• 既存のグラフニューラルネットワーク（GNN）方法は、しばしば事前に定義された無向グラフを使用しており、方向性相互作用と特徴量の重要性を捉える能力を制限しています。
• 現在のGNNモデルにおける解釈可能性の制限は、生物学的洞察の発見を妨げています。

研究 の 目的:

• 多層オミクス統合とがんサブタイプ分類のための新しいGNNフレームワークであるTF-DWGNetを導入すること。
• 有向、加重グラフ構築とテンソル融合を組み込むことにより、既存のGNNの限界に対処すること。
• モダリティレベルと特徴量レベルの両方でモデルの解釈可能性を向上させること。

主な方法:

• 各オミクスモダリティに合わせて調整された有向、加重グラフを構築するための教師ありツリーベース戦略を開発しました。
• 単峰性、二峰性、三峰性の相互作用を効率的に捉えるために、低ランク分解を用いたテンソル融合メカニズムを実装しました。
• 3つの実世界の癌データセットでTF-DWGNetを評価しました。

主要な成果:

• TF-DWGNetは、複数の指標と統計的検定において、最先端の方法を一貫して上回りました。
• このモデルは、多クラスがんサブタイプ分類において優れたパフォーマンスを示しました。
• モダリティレベルの寄与スコアとランク付けされた特徴量の重要性を通じて、生物学的に意味のある洞察を達成しました。

結論:

• TF-DWGNetは、癌研究における多層オミクスデータの統合に対して、効果的で解釈可能なソリューションを提供します。
• このフレームワークは、オミクスデータ内およびオミクスデータ間の複雑な依存関係と相互作用の強度をうまく捉えています。
• がんサブタイプ分類と理解を進めるための有望なツールを提供します。