恒星路径:层次-垂直的多omics分类器协同稳定标记和可解释的相似性网络,用于患者分析

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:

• 患者相似性网络 (PSN) 模型患者关系使用高维数据,如omics.
• 目前的PSN往往缺乏可解释性,并且无法充分利用它们对精准医学的潜力.
• 现有的方法在数据细节性,相似性测量和网络分析复杂性方面扎.

研究的目的:

• 开发一种新的患者分类器,StellarPath,有效地利用患者相似性网络范式.
• 整合途径分析与患者相似性,以在omics数据中增强特征识别.
• 提高PSN的可解释性和实用性,用于精准医学和患者分析.

主要方法:

• StellarPath处理omics数据并将其分层集成到生物途径中.
• 一个新的相似度测量评估患者通路活动对齐.
• 图形卷积神经网络 (GCNN) 用于使用选择的分子和途径特征进行患者分类.

主要成果:

• 在16个不同的数据集中,StellarPath展示了卓越的分类性能和计算效率.
• 该方法在外部,独立的研究中成功地推断出患者类.
• StellarPath通过考虑稳定性和拓学来识别生物相关的分子,途径和网络.

结论:

• StellarPath通过提供一个强大的和可解释的分类框架来推进患者相似性网络范式.
• 开发的分类器提供了新的生物标志物,洞察力和工具,用于深入的患者概况.
• 这种方法在通过先进的OMIC数据分析来改善精准医学应用方面具有显著的前景.