MCDHGN:基于异质网络的癌症驱动基因预测和解释性分析

科学领域:

• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 精确识别癌症驱动基因对于理解致癌和开发有效的癌症治疗至关重要.
• 深度学习方法越来越多地用于驱动基因预测,但往往缺乏可解释性.
• 现有的方法难以为其预测提供明确的解释,阻碍了临床应用.

研究的目的:

• 为癌症驱动基因预测提出一种新的,可解释的方法.
• 提高癌症基因组学深度学习模型的可解释性.
• 为了提高识别癌症发展关键基因的准确性.

主要方法:

• 构建了一个整合多omics数据 (SNV,DNA甲基化,基因表达) 的异质网络.
• 从多组数据中提取差异概率作为初始基因特征.
• 在异质网络中使用元路径聚合来生成增强的特征表示.
• 利用这些增强功能,以后对癌症驱动基因进行分类和预测.

主要成果:

• 拟议的MCDHGN方法在两种泛癌数据集上与其他八种模型相比表现优异,由更高的AUC和AUPR值证明.
• 通过分析生物学上有意义的元路径的权重,MCDHGN成功为预测的癌症驱动基因提供了可解释性.
• 该方法有效地利用多omics数据通过异质网络进行准确和可解释的驱动基因识别.

结论:

• 通过将高精度与增强的解释性相结合,MCDHGN在癌症驱动基因预测方面取得了重大进展.
• 异质网络中的元路径聚合策略是基因组学中可解释的深度学习的一个有希望的方法.
• 这种方法有可能加速癌症研究,并为个性化癌症治疗策略提供信息.