在低级质瘤中解码多奥米克签名,使用蛋白质-蛋白质相互作用告知图的注意力网络和集体学习
Murtada K Elbashir1, Afrah Alanazi1, Mahmood A Mahmood1
1Department of Information Systems, College of Computer and Information Sciences, Jouf University, Sakaka 72388, Saudi Arabia.
Diagnostics (Basel, Switzerland)
|November 27, 2025
概括
这项研究引入了一种新的多omics模型来分类低级质瘤 (LGGs),通过整合RNA,DNA甲基化和microRNA数据来实现高精度. 基因甲基化是用于亚型分类和生物标志物发现的最有效的单一omics数据.
科学领域:
- 计算生物学和生物信息学
- 瘤学和神经瘤学
- 基因组学和分子生物学
背景情况:
- 低度质瘤 (LGGs) 具有显著的生物学和临床异质性.
- 分子分层对于LGG诊断,预后和治疗决策至关重要.
- 单模分类器无法捕捉质瘤中复杂的跨层调节动态.
研究的目的:
- 开发一种基于蛋白质与蛋白质相互作用 (PPI) 的混合模型,用于多omics数据集成.
- 加强分子分层,并确定低级质瘤的关键生物标志物.
- 通过可解释的人工智能改进诊断和治疗策略.
主要方法:
- 一种混合模型,结合了RNA表达,DNA甲基化和microRNA表达数据.
- 整合图表注意网络 (GAT),随机森林 (RF) 和后勤堆叠合体学习.
- 弹性网用于特征选择,SMOTE用于类不平衡,交叉验证用于性能评估.
主要成果:
- 与单个omics方法相比,多omics模型实现了更高的亚型分类率 (高达0.984±0.012).
- 基因甲基化成为最具歧视性的分子数据模式.
- 关键的亚型特定生物标志物 (UBA2,LRRC41,ANKRD53,WDR77) 被确定具有显著的生物相关性.
结论:
- 拟议的多学科框架为LGG中的分子分层提供了一个强大的计算方法.
- 该模型提供了可解释的见解,促进了临床应用的生物标志物发现.
- 这种方法将预测准确性与生物学理解相结合,以改善患者的治疗结果.
