德杜斯:基于多omics数据的多头注意力脱的对比学习来发现癌症亚型

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.
• 机器学习在瘤学中

背景情况:

• 癌症呈现出高度的异质性和临床多样性,导致跨亚型的多奥米克数据和临床特征的变化.
• 准确识别和描述癌症亚型对于个性化治疗策略至关重要.

研究的目的:

• 开发一个无监督的对比学习模型,DEDUCE,用于分析多omics癌症数据.
• 通过提取深层的上下文特征和远程依赖关系来识别和描述不同的癌症亚型.

主要方法:

• DEDUCE使用对称的多头注意力编码器 (SMAE) 来从多omics数据中进行无监督的特征提取.
• 一种具有多头注意力机制的分类脱的对比学习方法用于同时进行特征学习和聚类.
• 集群是通过在特征和样本空间中计算样本相似性来执行的,优化了对比损失函数.

主要成果:

• 在模拟,单细胞和癌症多组数据集上,DEDUCE与10个深度学习模型相比表现出卓越的性能.
• 废弃实验证实了DEDUCE模型中的单个模块的有效性.
• 该模型成功地在急性髓性白血病 (AML) 中识别了六种不同的癌症亚型.

结论:

• DEDUCE模型有效地学习使用SMAE和亚型脱的对比学习来强大的癌症亚型识别的多omics数据的特征.
• 在发现新型癌症亚型和通过功能丰富分析提高解释性方面,DEDUCE显示出显著的潜力.
• 针对AML的应用确定了六个亚型,进一步分析揭示了亚型特定的生物功能和途径.