CLCLSA:跨学科的嵌入与对比学习和自我注意联系在一起,以集成不完整的多学科数据

科学领域:

• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 了解复杂的遗传疾病需要整合多omics数据.
• 异质的omics数据提供了有限的观点;同时集成提供了全面的见解.
• 由于成本和技术限制,未配对的多omics数据构成了重大挑战.

研究的目的:

• 开发一种深度学习方法,用于多学科数据集成,特别是处理不完整的数据集.
• 通过强大的数据集成,提高对复杂遗传疾病和表型的理解.
• 为了提高多omics数据分类准确性,缺少数据点.

主要方法:

• 拟议的交叉学科 连接统一的嵌入与对比学习和自我注意力 (CLCLSA) 模型.
• 使用交叉omics自动编码器进行特征表示学习.
• 采用多omics对比学习来最大限度地提高omics层之间的相互信息.
• 集成的功能级和omics级自我注意机制,用于动态功能识别.
• 应用Softmax分类器用于多omics数据分类.

主要成果:

• 在多omics数据分类中,CLCLSA表现出了有前途的表现.
• 该模型有效地处理了完整和不完整的多omics数据集.
• 在四个公共数据集上的实验结果验证了拟议方法的有效性.

结论:

• CLCLSA提供了一个强大的解决方案,用于与不完整数据的多omics集成.
• 该方法提升了全面了解疾病病因学的潜力.
• 这种方法可以更准确地对复杂的遗传疾病进行分类.