MOFNet:癌症亚型分类中的多学科数据融合的深度学习框架

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.
• 基因组学就是基因组学.

背景情况:

• 癌症的异质性需要精确的亚型来进行个性化治疗.
• 传统的单一omics方法难以捕捉癌症的复杂性.
• 多omics集成提供了全面的视图,但在解释性和跨omics相关性建模方面面临挑战.

研究的目的:

• 开发一种新的深度学习框架,用于在癌症中整合多个omics.
• 提高癌症亚型分类的准确性和可解释性.
• 为了实现可扩展的融合多种omics数据的精确瘤学.

主要方法:

• 开发了MOFNet,这是一个监督的深度学习框架,利用相似度图集 (SGO) 和视图相关性发现网络 (VCDN).
• 处理了mRNA表达,DNA甲基化和miRNA表达数据,使用omics特定的图形学习和交叉omics标签空间融合.
• 从癌症基因组图谱 (TCGA) 中对三种癌症类型 (BRCA,LGG,STAD) 应用和评估MOFNet.

主要成果:

• 在所有测试的癌症数据集 (BRCA,LGG,STAD) 中,MOFNet的表现明显优于基线模型.
• 获得了高准确度 (例如,BRCA的85.17%) 和改善的F1分数,最大收益高达23.72%.
• 奥米克废除研究证实了多奥米克集成的好处,并确定了与相关生物途径相关的关键特征.

结论:

• MOFNet提供了一个可扩展和可解释的解决方案,用于癌症中的多omics数据融合.
• 该框架提高了癌症亚型分类的预测准确性,同时减少了特征复杂性.
• MOFNet显示出在精密瘤学和生物标志物发现方面的应用潜力很大.