多视图多层次对比图卷积网络用于多omics数据上的癌症亚型
Bo Yang1, Chenxi Cui1, Meng Wang1
1School of Computer Science & The Shaanxi Key Laboratory of Clothing Intelligence, Xi'an Polytechnic University, Xi'an 710048, China.
Briefings in bioinformatics
|February 3, 2025
概括
这项研究引入了一种新的方法,用于使用多omics数据进行癌症亚型识别. 多视图多层次对比图卷积网络 (M$^{2}$CGCN) 通过在每个奥米克级别内考虑个人和共识信息来提高准确性.
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.
- 癌症研究 癌症研究
背景情况:
- 癌症是一种复杂的疾病,有多种不同的亚型,需要准确的分类来进行有效的治疗和预后.
- 当前的多omics集成方法往往忽视了omics数据中的共识和个人信息之间的相互作用.
- 现有的方法可能无法充分利用生物网络中存在的丰富的关系数据.
研究的目的:
- 开发一种新的,无融合的方法,使用多omics数据进行精确的癌症亚型识别.
- 通过整合多层次特征和对比学习来解决现有方法的局限性.
- 通过先进的计算方法,提高对癌症异质性的理解.
主要方法:
- 提出了用于癌症亚型的多视图多级对比图卷积网络 (M$^{2}$CGCN).
- M$^{2}$CGCN学习低级特征 (通过重建的内在信息信息) 和高级特征 (通过对比学习进行癌症亚型化).
- 采用无融合方法来整合跨多个omics层面和观点的信息.
主要成果:
- 在34个多omics癌症数据集上,CGCN在34个多omics癌症数据集上表现出与最先进的方法相比或优越的性能.
- 该方法通过重建有效地捕获每个omics数据中的内在信息.
- 通过对比学习获得的高层次特征对准确的癌症亚型有着显著的贡献.
结论:
- 拟议的M$^{2}$CGCN方法提供了一种强大而有效的方法,用于使用多omics数据进行癌症亚型识别.
- 这种无融合策略增强了各种生物数据的整合,以提高临床相关性.
- M$^{2}$CGCN为推进精确瘤学提供了一个有前途的计算框架.
