可解读的图表Kolmogorov-Arnold网络用于多种癌症分类和生物标志物识别,使用多种OMIC数据

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:

• 为精确的癌症诊断整合异质多omics数据带来了重大的分析和计算挑战.
• 开发强大的模型需要有效地结合各种数据类型,如基因表达,微RNA,DNA甲基化和蛋白质-蛋白质相互作用网络.
• 现有的方法经常在数据维度和可解释性方面扎.

研究的目的:

• 引入多奥米克图科尔莫戈罗夫-阿诺德网络 (MOGKAN),用于癌症分类的新型深度学习框架.
• 为了证明MOGKAN在整合信使RNA,微RNA,DNA甲基化和蛋白质与蛋白质相互作用数据方面的能力.
• 增强用于癌症诊断的多omics数据分析的可解释性和预测性.

主要方法:

• 利用差异性基因表达分析与DESeq2,LIMMA和LASSO回归用于多omics数据维度减少.
• 开发了一个基于科尔莫戈罗夫-阿诺德定理原则的深度学习框架 (MOGKAN).
• 在MOGKAN架构中集成可训练的单变量函数,以提高可解释性.

主要成果:

• 在31种癌症类型中实现了高癌症分类准确率96.28%.
• 与其他深度学习模型相比,实验变异性较低.
• 通过基因本体学 (GO) 和基因和基因组 (KEGG) 丰富分析确定和验证了与癌症相关的生物标志物.

结论:

• MOGKAN有效地将多omics数据与基于图形的深度学习集成在一起,以进行可靠的癌症分类.
• 该框架提供了显著的可解释性,使复杂的生物数据更容易转化为临床应用.
• 通过提高预测性能,MOGKAN显示了提高精确癌症诊断的潜力.