MoACNN-XGNet:可解释的多奥米克卷积网络用于乳腺癌亚型和预后基因识别

科学领域:

• 在瘤学瘤学.
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 乳腺癌表现出显著的异质性,使预后和治疗复杂化.
• 准确的分子亚型化对于预测疾病进展和治疗反应至关重要.

研究的目的:

• 开发一个先进的计算框架,用于精确的乳腺癌亚型.
• 整合多学科数据以提高分类准确性和生物洞察力.

主要方法:

• 多omics数据 (拷贝数变化,RNA测序,DNA甲基化) 被整合并使用统一多重近似和投影进行尺寸缩小.
• 开发了一个基于注意力的卷积神经网络 (MoACNN-XGNet) 来分析转换的多omics数据.
• 使用指导式Grad-CAM来识别亚型特定基因,实现了模型解释性.

主要成果:

• 与传统方法相比,MoACNN-XGNet显著提高了乳腺癌亚型分类精度.
• 该模型有效地处理了多omics数据的高维度和复杂性.
• 由Guided Grad-CAM识别的可解释基因通过丰富和生存分析揭示了关键的生物学途径和潜在的治疗点.

结论:

• 这项研究提出了一种新的深度学习方法,用于通过集成的多omics数据来完善乳腺癌亚型.
• 开发的框架提高了可解释性,确定了关键生物标志物,并支持开发个性化治疗策略.
• 这些发现有助于改善乳腺癌患者的生存结果.