亚型-MGTP:一种基于多omics翻译的癌症亚型识别框架

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:

• 癌症亚型对研究和治疗至关重要,多omics数据集成提供了一个有效的策略.
• 目前的方法通常依赖于基因组学数据,但蛋白质表达数据提供了更接近的表型表征.
• 将稀缺的蛋白质数据与癌症亚型的基因组学数据集成,带来了重大挑战,包括数据稀缺性和平衡omics特定和跨omics学习.

研究的目的:

• 开发一种新的癌症亚型框架,亚型-MGTP,有效地整合多omics数据,特别是解决有限的蛋白质表达数据的挑战.
• 通过利用从基因组学数据中获得的预测蛋白质表达数据来提高癌症亚型的准确性.
• 改进OMIC特异性和跨OMIC学习在多OMIC数据分析中的整合.

主要方法:

• 亚型-MGTP框架使用一个翻译模块来预测蛋白质表达来自多种类型的基因组学数据,以可用的蛋白质数据为指导.
• 采用了改进的具有对比学习的深次空间聚类模块,用于聚类预测的蛋白质表达数据以进行精细的亚型化.
• 该框架在基准数据集上对九种最先进的癌症亚型分类方法进行了评估.

主要成果:

• 在基准数据集上,MGTP亚型显著优于现有的九种最先进的癌症亚型分类方法.
• 确定的癌症亚型通过临床和生存分析表明可解释性.
• 该框架显示出对缺失的蛋白质数据的稳定性,并在整合不平衡的多omics数据集方面表现出色.

结论:

• 亚型-MGTP通过有效整合多omics数据,特别是当蛋白质数据有限时,为癌症亚型提供了一种强大而稳健的方法.
• 新型翻译和深次空间聚类模块提高了分类型的准确性,并提供可解释的结果.
• 该框架推进了用于癌症研究和个性化医学的多主题数据整合策略.