使用图形神经网络进行癌症分类的多omics集成的比较分析

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.
• 基因组学就是基因组学.

背景情况:

• 整合多个omics数据提供了对癌症的先进理解.
• 图形神经网络 (GNN) 在模拟癌症分类的复杂生物关系方面表现有前途.
• 在高维的多omics数据集成和有效的图形构建方面仍然存在挑战.

研究的目的:

• 评估GNN架构 (GCN,GAT,GTN) 用于癌症分类中的多omics数据集成.
• 开发用于多omics数据的维度缩小和特征选择方法.
• 为了比较不同的图形结构构建策略.

主要方法:

• 应用图形卷积网络 (GCN),图形注意网络 (GAT) 和图形转换器网络 (GTN) 进行多omics集成.
• 利用差异基因表达和LASSO回归来进行特征选择,创建LASSO-MOGCN,LASSO-MOGAT和LASSO-MOGTN模型.
• 使用样本相关性矩阵和蛋白质-蛋白质相互作用网络构建图形结构.

主要成果:

• 多omics集成模型的表现优于单个omics模型.
• 拉索-莫加特在癌症分类方面取得了最高的准确性 (95.9%).
• 基于相关性的图形结构比蛋白质-蛋白质相互作用网络更有效地识别了共享的癌症特征.

结论:

• 在癌症研究中,GNN对于多omics数据集成是有效的.
• 拉索-莫加特在癌症分类方面表现出卓越的性能.
• 样本相关性矩阵为多omics分析中的图形构造提供了坚实的基础.