系统性红斑狼的预测使用了带有集成多omics和临床数据的表位-量子融合变压器网络
Manoj B Chandak1, Abhijeet R Raipurkar1, Sunita G Rawat1
1Ramdeobaba University, Katol Road, Nagpur-440013, India.
Computational biology and chemistry
|August 16, 2025
概括
一个新的表位-量子融合变压器 (EQF-T) 模型通过整合多omics和EHR数据,准确地预测系统性狼 (SLE). 这种先进的框架增强了复杂的自身免疫性疾病的早期诊断.
科学领域:
- 计算生物学是一种计算生物学.
- 自身免疫性疾病的研究.
- 机器学习在医疗保健中的应用
背景情况:
- 系统性红斑狼 (SLE) 由于异质的症状和重叠的临床特征,提出了诊断上的挑战.
- 传统的预测模型与SLE研究固有的高维多态数据,生物变异性和数据不平衡作斗争.
研究的目的:
- 引入一个统一的框架,即表观量子融合变压器 (EQF-T),用于有效集成和分析多omics和电子健康记录 (EHR) 数据.
- 提高早期系统性红斑狼 (SLE) 预测的准确性和可靠性.
主要方法:
- 使用Beta-Variational Rank-ordered Quantile Autoencoder (Beta-VARQA) 进行异质生物数据的否定和规范化.
- 雇佣了Epistatic Attention融合的多奥米克拉普拉西亚变压器 (EA-MLT) 来捕捉跨奥米克层的基因-基因相互作用和结构依赖.
- 开发了SLE-Net,一个端到端的深度学习模型用于分类和可解释的输出生成.
主要成果:
- EQF-T框架实现了卓越的性能指标:准确率为99.82%,精度为99.78%,回忆率为99.76%,F1得分为99.77%,ROC-AUC为99.8%.
- 证明了该模型能够有效地从复杂的,高维度的生物和临床数据中学习,以准确预测SLE.
结论:
- 拟议的EQF-T模型为系统性红斑狼 (SLE) 的早期预测提供了一种可靠和高度准确的方法.
- 该框架的新型组件有效地解决了整合各种生物和临床数据集用于复杂疾病建模的局限性.
