监督图表对比学习用于通过多omics数据集成识别癌症亚型

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.
• 生物信息学是一种生物信息学.

背景情况:

• 准确的癌症亚型分类对于有效的患者诊断,治疗和预后至关重要.
• 多学科数据提供了互补的洞察力,但由于分布差异和高维度而带来了挑战.
• 为精确的癌症分类整合各种omics数据仍然是一个重大的研究挑战.

研究的目的:

• 通过整合多omics数据,提出一种新的方法,MCRGCN,用于准确的癌症亚型分类.
• 为了应对高维度和各种分布在omics数据中的挑战.
• 提高癌症亚型识别的准确性和临床相关性.

主要方法:

• 开发了一种监督图形对比学习方法 (MCRGCN) 用于多omics数据集成.
• 从多omics数据构建样本网络并使用残余图形卷积模型.
• 利用监督对比损失来确保omics特征的一致性,并将它们集成到分类中.

主要成果:

• 与入侵性乳腺癌 (BRCA) 和多种质母细胞瘤 (GBM) 数据集的现有方法相比,MCRGCN在多种质母细胞瘤数据集的整合中表现优越.
• 通过生存分析确定了具有显著临床特征的癌症亚型.
• 成功确定了与不同癌症亚型相关的潜在生物标志物和途径.

结论:

• MCRGCN方法有效地整合了多omics数据,以改进癌症亚型的分类.
• 确定的亚型具有显著的临床相关性,有助于预后.
• 该模型有助于发现新的生物标志物和途径,这些途径对于理解癌症异质性至关重要.