OmicsFootPrint:使用圆形图像和深度神经网络集成和解释多omics数据的框架
bioRxiv : the preprint server for biology
|April 8, 2024
概括
奥米克斯FootPrint通过创建用于疾病解释的视觉数据表示来推进多奥米克分析. 该框架使用深度学习和SHAP来提高可解释性和准确的癌症亚型分类.
科学领域:
- 生物信息学和计算生物学
- 基因组学和癌症研究
背景情况:
- 复杂的疾病需要先进的多omics数据分析来准确解释.
- 现有的方法通常缺乏解释性和处理大数据集的效率.
研究的目的:
- 引入OmicsFootPrint框架,用于先进的多omics数据分析.
- 提高复杂疾病模型的解释性.
- 改善癌症亚型的分类和药物反应的预测.
主要方法:
- 开发了OmicsFootPrint,将多omics数据转化为2D圆形图像.
- 采用深度神经网络和夏普利增量扩展 (SHAP) 算法.
- 使用癌症基因组图谱 (TCGA) 数据验证了框架.
主要成果:
- 肺癌 (0.98±0.02) 和乳腺癌 (0.83±0.07) 亚型分类的曲线下面面积 (AUC) 得分较高.
- 成功分化侵袭性叶状和管道性癌症.
- 预测癌症细胞系中药物反应的中位数AUC为0.74,超过现有算法.
- 经过减少培训数据的证明有效性.
结论:
- OmicsFootPrint为多omics数据分析提供了一种新,高效和可解释的方法.
- 增强对复杂疾病机制的理解,提高诊断能力.
- 代表了计算生物学和精确瘤学的重大进步.
更多相关视频
08:51Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts
Published on: September 20, 2024
1.2K
09:52DNA-barcode-based Multiplex Immunofluorescence Imaging to Analyze FFPE Specimens from Genetically Reprogrammed Murine Melanoma
Published on: June 6, 2025
160
