一个基于图形的深度学习框架,具有Gating和Omics相关的注意力,用于多Omics集成和生物标志物发现

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:

• 多学科数据集成提供了对生物系统的整体观点,这对于推进疾病分类和生物标志物发现至关重要.
• 奥米克数据的固有异质性和高维度性带来了重大分析挑战,阻碍了有效的整合.
• 现有的方法往往在解释性和适应性处理各种omics数据类型方面扎.

研究的目的:

• 引入MOGOLA (Gating和Omics-Linked Attention的多omics集成),这是一个新的深度学习框架,用于稳健和可解释的多omics数据集成.
• 解决异质和高维的奥米克数据所带来的分析挑战.
• 通过先进的计算方法改进疾病分类和生物标志物发现.

主要方法:

• MOGOLA采用混合图形学习模块,使用图形卷积网络和图形注意网络进行内部的特征提取.
• 门和信任机制适应性地衡量了不同类型的奥米克特征的重要性.
• 一个基于注意力的跨经济体融合模块捕捉了复杂的跨经济体关系以进行综合分析.

主要成果:

• 在四个基准数据集 (BRCA,KIPAN,ROSMAP,LGG) 中,MOGOLA的表现始终优于11种最先进的方法.
• 废弃性研究证实了每个MOGOLA模块对其整体性能的重大贡献.
• 使用MOGOLA的生物标记物识别证明了其临床应用的潜力.

结论:

• MOGOLA为多omics数据集成提供了一个强大的和可解释的框架.
• 拟议的深度学习方法推进了计算生物学和精准医学.
• 莫古拉有助于从复杂的生物数据中更有效地分类疾病和发现生物标志物.