使用自适应图表学习和注意力机制集成多omics数据,用于患者分类和生物标志物识别

科学领域:

• 计算生物学是一种计算生物学.
• 生物信息学是一种生物信息学.
• 基因组学和系统生物学

背景情况:

• 高通量测序产生了大量的多omics数据用于疾病研究.
• 基于图形的方法对于多omics数据集成非常强大,但通常使用固定图形,限制结果.
• 现有的方法可能无法优化整合多样化的奥米克数据或捕获复杂的奥米克间相关性.

研究的目的:

• 提出MOGLAM,一种端到端可解释的多omics整合方法用于疾病分类.
• 通过结合动态图表学习和自适应式omics权重来改进现有的基于图表的方法.
• 为了有效地捕获跨不同omics数据类型的复杂的共同和互补信息.

主要方法:

• 利用一个动态图形卷积网络与特征选择适应性图形结构学习和生物标志物发现.
• 应用多omics注意力机制以适应性加重嵌入来自不同omics的表示.
• 实施omic集成表示学习,以捕捉复杂的omic间关系.

主要成果:

• 在三个数据集上,MOGLAM表现出与最先进的多omics集成方法相比的优越性能.
• 该方法成功地在各种omics数据类型中识别了重要的生物标志物.
• 通过有效的多omics集成实现了增强的疾病分类预测.

结论:

• 在疾病预测中,MOGLAM提供了一种有效和可解释的方法来整合多omics数据.
• 动态图学习和注意力机制有助于提高性能和生物标志物识别.
• 这种方法通过提供一个更强大的框架来分析复杂的生物数据,推进了计算生物学领域.