MOLUNGN:一个多omics图形神经网络用于生物标志物发现和精确的肺癌分类

科学领域:

• 生物医学信息学 生物医学信息学
• 计算生物学 计算生物学
• 基因组学就是基因组学.

背景情况:

• 肺癌是一个重大的全球健康挑战,患病率和死亡率很高.
• 准确的分期和特定阶段生物标志物的识别对于有效的治疗和改善患者结果至关重要.

研究的目的:

• 开发和验证一个先进的深度学习模型,用于精确的肺癌分期.
• 整合多学科数据,包括与传统中医相关的数据,以全面了解肺癌进展情况.
• 为了确定肺癌分类的新型,特定阶段的生物标志物和潜在的治疗点.

主要方法:

• 开发了基于图表注意力网络 (GAT) 的新型模型多奥米克肺癌图谱网络 (MOLUNGN).
• 从非小细胞肺癌 (NSCLC) 数据集 (LUAD,LUSC) 中整合omics特定的特征矩阵 (mRNA表达,miRNA突变,DNA甲基化).
• 利用特定于omics的GAT模块 (OSGAT) 和多omics视图相关性发现网络 (MOVCDN) 来捕获omics内部和内部的相关性.

主要成果:

• 与现有的方法相比,MOLUNGN在分类肺癌阶段方面表现优越.
• 在LUAD (ACC:0.84) 和LUSC (ACC:0.86) 数据集上获得了高精度 (ACC) 和F1分数.
• 确定了关键的特定阶段生物标志物,这些生物标志物对肺癌进展和基因疾病相关性具有显著的生物学意义.

结论:

• 莫隆 (MOLUNGN) 是一个有效的整合框架,用于准确的肺癌分期和生物标志物发现.
• 已识别的生物标志物为肺癌进展提供了洞察力,并为临床验证和精准医学提供了希望.
• 与TCM网络的整合增强了对TCM在肺癌治疗中的治疗潜力的理解.