OmicsFootPrint:使用圆形图像和深度神经网络集成和解释多omics数据的框架

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.
• 基因组学就是基因组学.

背景情况:

• 多omics数据分析对于理解复杂疾病至关重要.
• 现有的方法往往缺乏可解释性和效率.
• 需要先进的计算框架来整合和解释各种各样的omics数据集.

研究的目的:

• 推出OmicsFootPrint,这是一个用于多omics数据分析的新框架.
• 通过使用深度学习和可解释性算法,提高复杂疾病模型的可解释性.
• 验证框架在癌症亚型分类和药物反应预测方面的表现.

主要方法:

• 将多omics数据转化为直观的2D圆形图像.
• 深度神经网络用于数据分析的应用.
• 整合了SHapley添加式解释 (SHAP) 算法,以实现模型可解释性.

主要成果:

• 在分类肺癌亚型 (AUC 0.98 ± 0.02) 和乳腺癌亚型 (AUC 0.83 ± 0.07) 中的高精度.
• 成功区分侵袭性叶状和管状乳腺癌.
• 在癌细胞系中有效预测药物反应 (中位数AUC为0.74),表现优于现有方法.
• 即使训练数据减少,也保持了强大的表现.

结论:

• OmicsFootPrint为多omics数据分析提供了一种高效和可解释的方法.
• 该框架大大提高了对复杂疾病机制的理解.
• OmicsFootPrint代表了癌症研究和个性化医学的宝贵工具.