MSFN:一个多omics堆叠的融合网络用于乳腺癌存活率预测

科学领域:

• 在瘤学瘤学.
• 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:

• 准确的乳腺癌存活率预测对于患者的预后至关重要.
• 现有的预测模型通常依赖于单个omics数据,限制了它们的全面预测能力.
• 整合多omics数据在改善生存预测准确性方面提出了重大挑战.

研究的目的:

• 开发一种新的多omics堆叠融合网络 (MSFN) 以提高乳腺癌存活率预测.
• 利用患者相似性网络和多omics数据来获得更强大的预后信息.
• 为了解决预测乳腺癌患者生存率的单一omics方法的局限性.

主要方法:

• 提出了一个多omics堆叠融合网络 (MSFN),利用堆叠策略.
• 使用残余图神经网络 (ResGCN) 构建和分析了一个患者相似性网络 (PSN).
• 卷积神经网络 (CNN) 从多omics数据中提取了特异性信息,然后将其融合并与AdaboostRF用于预测.

主要成果:

• 拟议的MSFN方法与几种最先进的生存预测方法相比,表现优越.
• 实验结果显示了整合患者相似性和多omics数据的有效性.
• 使用卡普兰-梅尔分析和t-SNE的生物验证证实了该方法的发现.

结论:

• 通过有效整合多omics数据,MSFN提供了一种强大的新方法来预测乳腺癌存活率.
• 这种方法比单一的omics方法有了显著的进步,为更个性化的癌症预后铺平了道路.
• 该研究强调了基于网络和深度学习策略在癌症生物信息学中的潜力.