利用图形神经网络进行乳腺癌预后预测,使用高维基因组数据

科学领域:

• 基因组学和生物信息学
• 计算生物学 计算生物学
• 癌症研究 癌症研究

背景情况:

• 准确的乳腺癌预后对于有效的治疗和患者福祉至关重要.
• 基因组特征是高维和复杂的,这给传统分析带来了挑战.
• 现有的方法可能无法完全捕捉与癌症预后相关的复杂基因相互作用.

研究的目的:

• 开发一种新的计算方法来预测乳腺癌的预后.
• 从高维RNA测序数据中确定一组强大的预后生物标志物.
• 利用图形神经网络 (GNN) 来增强基因相互作用模式的提取.

主要方法:

• 使用系统生物学特征选择器来减少RNA测序 (RNA-Seq) 数据的尺寸.
• 选择了20个与乳腺癌预后有强烈关联的预后生物标志物.
• 开发了一个图形神经网络 (GNN),在基因交互网络 (GINs) 上具有多层感知 (MLP) 读取.

主要成果:

• 成功确定了20个与乳腺癌相关的预后生物标志物.
• 在预测准确度方面,GNN模型的表现优于基线模型.
• 在精度回忆曲线 (AUPRC) 下的区域实现了显著的改善,高达23%.

结论:

• 提出的基于GNN的方法有效地提取复杂的基因组相互作用,以改善乳腺癌预后.
• 这种方法为癌症研究中分析高维基因组数据提供了强大的工具.
• 鉴定到的生物标志物和GNN模型具有在乳腺癌治疗中临床决策支持的潜力.