MSI-XGNN:一个可解释的GNN计算框架,集成转录和甲基化水平的生物标志物,用于微卫星不稳定性检测

科学领域:

• 计算生物学是一种计算生物学.
• 基因组学就是基因组学.
• 癌症研究 癌症研究

背景情况:

• 微卫星不稳定性 (MSI) 是一个关键的癌症生物标志物和免疫治疗反应的预测因素.
• 目前的MSI检测方法通常需要对结合的瘤-正常测序数据.
• 表观遗传修饰,如DNA甲基化,在癌症的发展中至关重要.

研究的目的:

• 开发一种新的,可解释的计算框架 (MSI-XGNN),用于使用瘤样本进行MSI预测.
• 整合RNA测序和DNA甲基化数据,以加强MSI检测.
• 确定与瘤微环境特征相关的新型MSI生物标志物.

主要方法:

• 开发了MSI-XGNN,这是一个可解释的深度学习模型,结合了图形神经网络 (GNN) 和CatBoost.
• 利用来自瘤样本的大量RNA测序和DNA甲基化数据.
• 与已建立的MSI检测工具 (MSIsensor,MANTIS) 和独立数据集相对验证的性能.

主要成果:

• MSI-XGNN显示了与现有方法相比或优于现有方法的性能.
• 该模型在独立验证数据集中显示出良好的通用性.
• 确定了六种最佳的MSI标记物 (4个甲基化探针,2个基因),与免疫治疗的有利瘤微环境特征相关.

结论:

• MSI-XGNN为MSI预测提供了一个强大的,可解释的深度学习方法.
• 已识别的MSI标志物在评估免疫治疗反应方面具有潜在的临床实用性.
• 这一框架提升了MSI检测,使用随时可用的仅瘤测序数据.