多层知识图神经网络揭示了三种乳腺癌多基因试验的通路级一致性
Sangseon Lee1, Joonhyeong Park1, Yinhua Piao2
1Institute of Computer Technology, South Korea.
概括
本研究介绍了一种可解释的AI模型,用于预测乳腺癌复发风险. 这种新的方法通过揭示潜在的生物机制来增强多基因分析,改善激素受体阳性患者的临床决策.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 人工智能的人工智能
背景情况:
- 多基因测试对于预测激素受体 (HR) 阳性乳腺癌复发风险至关重要.
- 目前的测试缺乏机理性解释,限制了对复发驱动因素的理解.
- 需要可解释的模型来阐明复发风险的生物基础.
研究的目的:
- 开发一种新的多层知识图神经网络 (KGNN),用于增强多基因测试.
- 阐明与乳腺癌复发风险相关的调节途径和转录子途径.
- 为预测复发风险和了解其生物基础提供一个可解释的框架.
主要方法:
- 开发一个集成生物通路的多层知识图神经网络.
- 基于注意力的图形神经网络的应用,用于风险预测和子路径解释.
- 在SCAN-B数据集上使用三种已建立的多基因测定 (型DX,Prosigna,EndoPredict) 进行验证.
主要成果:
- 拟议的KGNN模型有效预测了复发风险,并确定了关键的监管途径.
- 注意重量分析显示RTK-ERK-ETS信号传递是乳腺癌复发的关键途径.
- 在不同知识库中观察到重要的监管子路径的一致识别.
- 在预测患者结果方面,已确定的子途径的生物学意义和临床相关性得到证明.
结论:
- 这种新型可解释的AI模型显著提高了对乳腺癌复发风险的多基因测定机制的理解.
- RTK-ERK-ETS途径在癌症的扩散和复发中发挥着关键作用,提供了潜在的治疗点.
- 这种方法为个性化乳腺癌管理提供了临床相关和生物学可解释的工具.
