DFASGCNS:基于双融合通道和堆叠图形卷积的卵巢癌预测的预后模型

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:

• 由于不特定的早期症状,卵巢癌的诊断往往会延迟,导致转移和不良预后.
• 卵巢癌的发展涉及复杂的基因组,转录组和蛋白质组相互作用.
• 目前用于卵巢癌预后的多omics数据整合方法是有限的,忽视了样本级信息和分子相互作用.

研究的目的:

• 开发一种用于卵巢癌预测的先进预后模型.
• 通过有效整合多omics数据来提高生存分析的准确性.
• 解决现有方法在捕获inter-omics和样本级关系方面的局限性.

主要方法:

• 提出了一种新的预后模型:双融合通道和堆叠图卷积神经网络 (DFASGCNS).
• 采用双重融合道来学习omics的特征表示和样本协会.
• 利用堆叠图形卷积网络和用于深度相关联网络学习和特征加权的注意力机制.

主要成果:

• 与现有方法相比,DFASGCNS模型在卵巢癌预后预测和生存分析方面具有显著的优势.
• 卡普兰-梅尔曲线分析揭示了模型预测的生存子组的显著差异.
• 该模型为卵巢癌预后评估提供了更可靠的辅助诊断信息.

结论:

• 该DFASGCNS模型通过有效整合多omics数据,为卵巢癌生存预测提供了一种优越的方法.
• 这些发现有助于更深入地了解卵巢癌的病原性.
• 该模型可以增强对卵巢癌预后的临床决策.