标志图:癌症标志信息图神经网络用于分类层次性瘤亚型

科学领域:

• 计算生物学是一种计算生物学.
• 机器学习在瘤学中
• 基因组学和转录基因组学

背景情况:

• 准确的瘤亚型诊断对于精确瘤学至关重要,但在模型解释性,成本和验证的泛癌分类方面面临挑战.
• 现有的方法难以平衡准确性和可解释性,并且缺乏对不同癌症类型的层次性瘤亚型分类的验证模型.

研究的目的:

• 介绍HallmarkGraph,这是第一个生物信息图神经网络,用于对人类癌症的层次性瘤亚型进行分类.
• 为多标签分类开发一个集成转录组概况和基因调控相互作用的模型.
• 解决在胰腺癌诊断中需要验证,准确和可解释的模型的需求.

主要方法:

• 开发了HallmarkGraph,这是一个集成转录组数据和基因调节相互作用的图形神经网络.
• 在11,476个样本的泛癌队列上评估了该模型,其中包括26种癌症和405种亚型的11476个样本.
• 使用5倍交叉验证和单独的验证数据集 (887个样本) 来进行性能评估.
• 在特征归属和将癌症特征与基因联系方面使用了SHAP (夏普利添加式扩展).

主要成果:

• 标志图实现了高5倍的交叉验证准确度 (85%-99%) 瘤亚型分类.
• 在独立验证数据集上表现出良好的概括性.
• 基准测试揭示了集成多层感知器在分类器准确性方面的重要作用.
• SHAP分析确定了影响模型决策的关键基因,将它们与癌症特征联系起来.

结论:

• 霍尔马克图提供了一个生物知情的机器学习框架,用于跟踪瘤转录基因轨迹.
• 该模型在瘤分析中有效区分了瘤间和瘤内异质性.
• 这种方法有望提高精确瘤学中癌症诊断的准确性和可解释性.