DeepKEGG:一个多主题的数据整合框架,用于癌症复发预测和生物标志物发现的生物见解

科学领域:

• 计算生物学是一种计算生物学.
• 生物信息学是一种生物信息学.
• 癌症研究 癌症研究

背景情况:

• 多omics集成的深度学习方法可以揭示癌症机制,生物标志物和治疗点.
• 当前的方法往往忽略了样本间的相关性,缺乏生物解释性.
• 需要可解释的深度学习方法,考虑多omics数据中的样本关系.

研究的目的:

• 提出DeepKEGG,一个可解释的深度学习框架,用于多omics数据集成.
• 通过探索样本相关性来增强癌症复发预测和生物标志物发现.
• 为模型预测提供生物学解释.

主要方法:

• DeepKEGG使用生物层次模块,用于基于基因/miRNA路径关系的局部神经连接和可解释性.
• 使用路径自我注意模块来捕获样本间的相关性并生成路径特征表示.
• 基于归因的特征重要性是为生物标志物发现和模型解释计算的.

主要成果:

• 与最先进的方法相比,DeepKEGG在癌症复发预测的5倍交叉验证方面表现优越.
• 案例研究证实了DeepKEGG作为识别癌症生物标志物的工具的有效性.
• 该方法为癌症复发提供了可解释的生物见解.

结论:

• DeepKEGG提供了一种有效和可解释的方法,用于在癌症研究中整合多omics数据.
• 该框架成功预测了癌症复发,并促进了生物标志物的发现.
• DeepKEGG通过结合样本相关性和增强模型解释性来解决现有方法的局限性.