有效地整合多主题与先前知识,通过可解释的图形神经网络来识别生物标志物

科学领域:

• 计算生物学 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:

• 多omics数据集成对于开发预测模型和识别药物目标至关重要,特别是在有限的样本中.
• 现有的方法难以处理高维的'omics数据,并有效地结合了先前的生物知识.

研究的目的:

• 提出GNNRAI,一个使用知识图进行监督的多学科数据集成的框架.
• 利用图形神经网络 (GNN) 来减少维度和同时分析数千个基因.
• 纳入生物标志物发现的可解释性方法.

主要方法:

• 利用图形神经网络 (GNN) 在高维"omics"数据中建模特征相关性.
• 综合转录组学和蛋白质组学数据与生物先验以知识图形式表示.
• 应用可解释性技术来识别有信息的生物标志物.

主要成果:

• 证明了GNNRAI在整合阿尔茨海默病 (AD) 多omics数据方面的有效性.
• 与单个omics分析相比,实现了AD状态的预测准确度的提高.
• 确定了已知的和新的AD预测生物标志物.

结论:

• GNNRAI提供了一个强大的框架,用于监督多omics集成,增强预测建模.
• 将多学科数据与生物知识相结合,显著改善了对AD等复杂疾病的生物标志物发现.
• GNNRAI的可解释性特征有助于识别临床相关的生物标志物.