HCMAF:分层特征聚合和跨模式注意力融合框架,用于多omics患者分类

科学领域:

• 计算生物学 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:

• 大规模的多主题数据集为精确的疾病治疗提供了潜力.
• 整合多omics数据是具有挑战性的,因为复杂的内部和内部omics关系.

研究的目的:

• 提出一个新的框架,分层特征聚合和跨模态注意力融合 (HCMAF),以有效地实现多omics数据集成.
• 通过使用集成的多omics数据来增强患者分类和生物标志物识别.

主要方法:

• 该框架包含三个模块:对omics内部的特征进行层次特征聚合图注意力 (HGAT),对omics内部的互补性进行交叉模式注意力 (CMA),以及对动态集成进行信任驱动的多omics融合 (CMF).
• HGAT通过邻里聚合捕获拓特征.
• 在CMA模型中,交叉的依赖关系.
• CMF使用可学习权重来整合omics特定的预测.

主要成果:

• 在四个基准数据集中,HCMAF表现出卓越的患者分类性能.
• 拟议的框架始终优于现有的多学科整合方法.
• 组件分析验证了HGAT,CMA和CMF模块的重要贡献.

结论:

• HCMAF提供了一种有效的方法,用于精确的多学科数据集成.
• 该框架增强了患者分类和生物标志物发现的能力.
• 开发的模型在Python中与Pytorch.com公开提供.