MOGAT:使用图形注意力网络进行癌症亚型预测的多omics集成框架

科学领域:

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

背景情况:

• 准确的癌症亚型预测对于个性化医学至关重要.
• 多学科数据集成提供了关于癌症病理生理学的全面观点.
• 现有的图形卷积网络 (GCN) 模型,如MOGONET和SUPREME,缺乏权衡邻近节点在奥米克数据中的重要性的能力.

研究的目的:

• 提出MOGAT,一种使用图表注意力网络 (GAT) 进行改进癌症亚型预测的新型多omics集成方法.
• 通过整合注意力机制来解决GCNs的局限性,以优先考虑信息邻居在omics数据中.
• 用乳腺癌数据集评估MOGAT在癌症亚型预测中的有效性.

主要方法:

• 开发了MOGAT,这是一个利用图形注意力网络 (GAT) 的多omics集成模型.
• 在MOGAT内部实施了多头注意力机制,将独特的注意力系数分配给邻近的样本.
• 在TCGA和METABRIC乳腺癌数据集上评估了MOGAT.

主要成果:

• 在癌症亚型预测方面,MOGAT显著优于MOGONET (32-46%的改善) 和SUPREME (2-16%的改善).
• 通过MOGAT生成的GAT嵌入显示出与原始特征相比,在区分高风险和低风险癌症群体方面具有更高的预后能力.
• 这项研究是第一个探索GAT在癌症亚型预测中多omics集成的研究.

结论:

• 通过结合图表注意力机制,MOGAT增强了多omics集成,以更准确地预测癌症亚型.
• 在MOGAT中的注意力机制有效地捕捉了邻近节点的重要性,从而实现了卓越的性能.
• MOGAT代表了利用多种OMIC数据进行精确瘤学和改善患者分层的重大进展.