以先前知识为导向的多层图形神经网络,通过多omics数据集成来进行瘤风险预测和解释

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:

• 多omics数据集成为复杂的疾病机制提供了洞察力,但面临着诸如高维度和有限样本等挑战.
• 之前的生物知识,包括基因调节网络和途径,包含有价值的基因相互作用和功能信息.
• 现有的方法很难充分利用多主题数据和先前知识的互补性质.

研究的目的:

• 开发一种新的深度学习方法,用于有效的多学科数据集成.
• 将先前的生物知识 (基因调节网络,途径) 纳入分析中.
• 使用综合数据提高疾病生存风险预测的准确性.

主要方法:

• 提出了一个多级图形神经网络 (GNN),一个层次的深度学习算法.
• 顺序利用多omics数据,基因调控网络和特征提取路径信息.
• 使用GNN-Explainer和IGscore来解释神经网络在基因和通路层面的结果.

主要成果:

• 与现有方法相比,拟议的多级GNN在生存风险预测方面取得了更高的准确性.
• 鉴定了关键基因 (例如,SEC61G,CYP27B1) 和与瘤发病学非线性相关的途径.
• 优先考虑的因素在生存分析中显示出与疾病的强烈关联,许多事先在文献中报道过.

结论:

• 多级GNN有效地整合了多omics数据和先前的生物学知识,以提高疾病生存风险预测.
• 这种方法为揭示疾病背后的复杂分子机制提供了一个强大的工具.
• 解释算法成功地确定了与疾病预后相关的生物相关基因和途径.