MGDMCL:基于掩盖图形动态学习和多颗粒度特征对比学习的生物医学分类

科学领域:

• 计算生物学和生物信息学
• 基因组学和多基因组学数据集成
• 精准医学与疾病病因

背景情况:

• 整合多学科数据对于理解复杂疾病和推进精准医学至关重要.
• 基于图形的方法为多种经济学数据分析提供了强大的能力,但在固定样本相似度图和探索经济学特征之间的关系方面存在局限性.
• 现有的方法难以充分利用不同数据集的功能互连.

研究的目的:

• 提出MGDMCL (掩盖图形动态学习和多粒度特征对比学习),这是整合多个omics数据的创新框架.
• 通过自适应地调整样本相似性图表并探索奥姆特征之间的相互作用来克服现有的基于图表的方法的局限性.
• 通过先进的数据整合技术,提高生物医学分类任务的准确性和稳定性.

主要方法:

• 采用掩盖图形动态学习来适应地调整样本相似度图 (SSG) 对于每个奥米克类型,通过图形卷积网络 (GCN) 生成多层特征表示.
• 在层级上集成不同omics的多层特征,并应用多颗粒度特征对比学习来导出共识特征表示.
• 包括真实类概率来评估不同层的共识特征的分类信心,提高分类的稳定性.

主要成果:

• 在生物医学分类任务中,MGDMCL显著提高了性能.
• 在五个不同的公共数据集 (LGG,ROSMAP,LUSC,BRCA,KIPAN) 上进行的实验证实了拟议框架的有效性.
• 该方法成功地解决了当前多种经济体的整合方法的局限性,特别是在特征表示和经济体间关系探索方面.

结论:

• MGDMCL提供了一种更有效的综合多种经济学数据分析方法, 显著地推动了这一领域的发展.
• 该框架显示了改善生物医学分类应用的巨大潜力,有助于更好地理解和诊断疾病.
• 开源实现可用,促进科学界的进一步研究和应用.