MOGEDN:小样本癌症亚型分类与编码器-解码器网络,用于缺失omics恢复和生物标志物发现

科学领域:

• 计算生物学是一种计算生物学.
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 使用多omics数据进行癌症亚型分类是具有挑战性的,因为缺少数据和样本有限.
• 像图形卷积网络 (GCNs) 这样的现有方法在完全缺少omics模式的情况下扎.

研究的目的:

• 开发一个新的框架,MOGEDN,用于从不完整的多omics数据中进行强大的癌症亚型分类.
• 在小样本和缺失-omics场景中提高分类性能.

主要方法:

• MOGEDN使用多omics编码器-解码器网络来重建丢失的omics数据的潜在特征.
• 一个逐步算法预训练了不同癌症类型的模型,并为特定癌症进行微调,整合了样本间和交叉的依赖性.
• 重建和可用的omics功能已集成用于预测.

主要成果:

• 在TCGA癌症数据集上,MOGEDN在准确度和F1分数方面始终优于最先进的基线,特别是在样本少于50个的亚型中.
• 该框架在小样本和缺失omics设置中表现出强的性能.
• 特性分析产生了两组互补的生物标志物:跨癌症类型共享的和特定于癌症类型的.

结论:

• 基于解码器的归算是多omics学习的强大方法,提高了分类准确性和少数镜头的性能.
• MOGEDN促进了多尺度生物标记物的发现,提高了模型的解释性和生物洞察力.
• 该框架为在癌症研究中分析不完整的多学科数据提供了强大的解决方案.