通过基于可解释特征和潜潜子空间学习的多omics聚类来识别癌症亚型

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.
• 癌症研究 癌症研究

背景情况:

• 多omics聚类对于理解癌症异质性至关重要.
• 现有的方法经常与杂或冗余的多omics数据作斗争,导致次优癌症亚型化.
• 不同质的omics特征的直接集成可以限制集群性能.

研究的目的:

• 开发一种新的多omics集群方法,以改善癌症亚型.
• 在集成之前从多omics数据中提取可解释和区分的特征.
• 通过SHAP值来利用临床信息进行监督性特征提取.

主要方法:

• 以临床信息为指导的SHAP (夏普利添加物扩展) 值进行特征提取.
• 使用单数值分解 (SVD) 将提取的多omics特征集成到潜在子空间中.
• 集群使用基于最近邻居的共享光谱集群在集成隐性表示上.

主要成果:

• 与最先进的方法相比,拟议的方法在多组癌症亚型化方面表现优越.
• 使用临床信息与SHAP值显著提高聚类分析性能.
• 鉴定出基因特征的丰富分析验证了发现的癌症亚型的生物学相关性.

结论:

• 这种新的多主题聚类方法有效地解决了癌症亚型鉴定现有方法的局限性.
• 使用临床数据进行基于SHAP的特征提取是改进多omics数据分析的强大策略.
• 该方法提供了一个强大的框架,用于从综合的OMIC数据中识别生物学上有意义的癌症亚型.