可解释图 科尔莫戈罗夫-阿诺德网络用于多种癌症分类和生物标志物识别,使用多种奥米克数据
ArXiv
|July 31, 2025
概括
本研究介绍了多奥米克图科尔莫戈罗夫-阿诺德网络 (MOGKAN),这是使用多奥米克数据进行癌症分类的深度学习模型. MOGKAN的准确性达到96.28%,为精确诊断提供可解释的生物标志物.
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数据是一个重要的计算挑战.
- 现有的分析模型难以应对多omics数据集的复杂性和维度.
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.
- 为了提高诊断准确性,利用信使RNA,微RNA,DNA甲基化和蛋白质-蛋白质相互作用网络.
- 为了提高多omics数据分析在癌症的可解释性.
主要方法:
- 利用差异性基因表达分析与DESeq2,LIMMA和LASSO回归来减少数据维度.
- 开发了一个基于Kolmogorov-Arnold定理原理的深度学习架构,具有可训练的单变量函数.
- 集成的信使RNA,微RNA,DNA甲基化和蛋白质-蛋白质相互作用网络用于31种癌症类型的分类.
主要成果:
- 实现了高癌症分类准确率的96.28%.百分比.
- 与其他深度学习模型相比,实验变异性较低.
- 通过基因本体学和KEGG丰富分析识别和验证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.
- 该框架提供了增强的可解释性,促进复杂数据转化为临床可操作的见解.
- 莫格坎显示出提高精确癌症诊断的潜力.
更多相关视频
相关概念视频
02:02Genomics
37.5K
Genomics is the science of genomes: it is the study of all the genetic material of an organism. In humans, the genome consists of information carried in 23 pairs of chromosomes in the nucleus, as well as mitochondrial DNA. In genomics, both coding and non-coding DNA is sequenced and analyzed. Genomics allows a better understanding of all living things, their evolution, and their diversity. It has a myriad of uses: for example, to build phylogenetic trees, to improve productivity and...
37.5K
01:21Cancer Survival Analysis
456
Cancer survival analysis focuses on quantifying and interpreting the time from a key starting point, such as diagnosis or the initiation of treatment, to a specific endpoint, such as remission or death. This analysis provides critical insights into treatment effectiveness and factors that influence patient outcomes, helping to shape clinical decisions and guide prognostic evaluations. A cornerstone of oncology research, survival analysis tackles the challenges of skewed, non-normally...
456