深度图形卷积式基于网络的多omics集成用于癌症驱动器基因识别

科学领域:

• 计算生物学和生物信息学
• 基因组学和癌症研究
• 机器学习在医疗保健中的应用

背景情况:

• 癌症驱动基因对于理解癌症发展和指导治疗策略至关重要.
• 越来越多的多学科数据提供了先进的计算分析的机会.
• 现有的整合多omics数据的方法通常在性能上有局限性.

研究的目的:

• 提出深CDG,一个新的深图卷积网络 (GCN) 模型,用于准确的癌症驱动基因识别.
• 有效地整合多学科数据,以提高癌症研究中的预测性能.
• 为已识别的癌症驱动基因和基因模块提供生物解释性.

主要方法:

• 开发了deepCDG,这是一个基于GCN的模型,利用共享参数GCN编码器进行多omics特征提取.
• 采用了注意层,以便在不同的omics数据中有效地集成功能.
• 利用剩余连接的GCN预测器和GNNExplainer用于基因识别和模块发现.

主要成果:

• deepCDG在识别癌症驱动基因方面表现出有效的预测性能.
• 该模型在实验评估中表现出强度和计算效率.
• 生物解释性分析证实了已识别的基因的可靠性,并提供了对基因相互作用的见解.

结论:

• deepCDG提供了一个先进的框架,用于在癌症驱动基因识别中集成多omics数据.
• 该模型识别基因模块的能力增强了对复杂生物网络的理解.
• 该方法显示了在癌症基因组学之外的生物研究中更广泛的应用潜力.