SMG:用于癌症基因识别的自我监督掩盖图表学习

科学领域:

• 癌症基因组学和生物信息学.
• 深度学习在分子生物学中的应用.

背景情况:

• 识别癌症基因 (CGs) 对于了解癌症进展至关重要.
• 高通量数据和深度学习提供了对基因组数据建模的新方法.
• 有限的标记数据对确定CG构成了挑战.

研究的目的:

• 提出一种新的深度学习框架,即自我监督的掩盖图形学习 (SMG),用于识别癌症基因.
• 为了利用蛋白质与蛋白质相互作用 (PPI) 网络中的多原子特征.
• 为了应对癌症基因组学中有限的标记数据的挑战.

主要方法:

• 开发了一个自我监督的蒙面图形学习 (SMG) 框架.
• 使用基于图形神经网络 (GNN) 的自动编码器进行网络重建 (借口任务).
• 在节点和图表层面上采用特定任务的微调来进行下游预测.

主要成果:

• 证明了SMG方法在节点级任务 (CG识别,基本基因,健康驱动基因) 和图级任务 (疾病子网络识别) 上的优越性.
• 八个PPI网络的基准测试实验证实了SMG的有效性.
• 与最先进的方法相比,展示了SMG在多原子特征工程方面的优势.

结论:

• 拟议的SMG框架有效地识别癌症基因和相关的生物实体.
• SMG提供了一种强大的方法来分析具有有限标签的复杂基因组数据.
• 这种方法促进了深度学习在癌症基因组学研究中的应用.