阿莫格尔:一个使用关联图形神经网络的多主题分类框架,该神经网络具有用于生物标志物识别的先验知识
Chia Yan Tan1, Huey Fang Ong2, Chern Hong Lim2
1School of Information Technology, Monash University Malaysia, Jalan Lagoon Selatan, 47500, Petaling Jaya, Selangor, Malaysia. chia.tan@monash.edu.
BMC bioinformatics
|March 29, 2025
概括
这项研究介绍了AMOGEL,一种新的图形神经网络模型,它集成了多omics数据和生物知识,用于改进癌症亚型分类. 通过挖掘基因关系和利用多维边缘进行更好的分析,AMOGEL提高了准确性.
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.
- 机器学习在瘤学中
背景情况:
- 高通量测序使得癌症亚型分析和向治疗成为可能.
- 图形神经网络 (GNN) 模型复杂的生物系统和在omics数据中的非线性相互作用.
- 目前的GNN方法在同时分析具有先前生物知识的多omics数据方面存在局限性.
研究的目的:
- 提出一个新的图形分类模型,AMOGEL,以有效地整合多主题数据集和先前的生物知识.
- 为了利用GNN与关联规则挖掘 (ARM) 结合,提高癌症分类.
- 解决当前GNN模型关于同时多omics数据集成和先前知识利用的局限性.
主要方法:
- 开发了AMOGEL,一个图形分类模型,集成多omics数据 (miRNA,mRNA,DNA甲基化) 和先前知识 (PPI,KEGG,GO).
- 使用ARM的早期融合来挖掘内部和内部的关系,创建一个合成的多omics图.
- 介绍了多维边缘和基于注意力的基因排名技术.
主要成果:
- 与最先进的模型相比,AMOGEL在分类BRCA和KIPAN癌症亚型方面表现优越.
- 通过有效地整合各种数据类型,实现了更高的分类准确性,F1分数和AUC分数.
- 验证了该模型利用多omics数据和先前的生物知识的能力.
结论:
- 艾莫格尔代表了在整合多奥米克数据和癌症亚型分类的先前知识方面取得的重大进展.
- 拟议的模型有效地利用了GNN和ARM的非线性学习潜力.
- 这些发现为更准确,更个性化的癌症诊断和治疗铺平了道路.
