AVBAE-MODFR:一种新的深度学习框架,用于嵌入和特征选择多omics数据,用于胰腺癌分类

科学领域:

• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.
• 机器学习在瘤学中

背景情况:

• 多学科数据集成对于泛癌症分类和临床应用,如精准医学至关重要.
• 基于深度学习的嵌入和特征选择,高维和异质的癌症多omics数据对嵌入和特征选择提出了挑战.
• 深度学习方法在捕获多omics数据中的复杂,非线性关系方面表现有前途.

研究的目的:

• 提出一种新的两相深度学习模型,AVBAE-MODFR,用于有效嵌入和特征选择在胰腺癌分类中.
• 提高多omics数据表示的质量,提高特征排名稳定性.
• 推进用于癌症诊断和治疗的多omics数据集成的临床实用性.

主要方法:

• 开发了AVBAE-MODFR,这是一个双相深度学习模型,结合了对抗变量贝叶斯自编码器 (AVBAE) 嵌入和基于多omics双网的特征排名 (MODFR) 进行选择.
• AVBAE使用了具有高效分辨器的multi2multi自动编码器,用于无监督表示学习.
• MODFR采用一个多2one选择器网络和一个平均梯度方法来进行强大的多omics特征重要性评估.

主要成果:

• 与TCGA数据集上最先进的方法相比,AVBAE-MODFR在泛癌分类方面表现优越.
• 在AVBAE阶段,有效地从多omics特征中学习了高质量的表示.
• MODFR阶段提供了稳定可靠的特征排名,减轻了输入特征漂移的偏差.

结论:

• AVBAE-MODFR提供了一个强大而有效的深度学习框架,用于整合和分析癌症多omics数据.
• 拟议的模型显著改善了嵌入和特征选择的泛癌分类.
• 这种方法具有很大的潜力,可以增强瘤学,包括诊断和精密医学的临床应用.