MOTLAB:一种权衡的多奥米克转移学习方法,以缓解乳腺癌的种族差异.

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.
• 健康差异研究 研究健康差异研究

背景情况:

• 乳腺癌 (BC) 不成比例地影响美国黑人女性,导致死亡率高于非西班牙裔美国白人女性.
• 人工智能 (AI) 和机器学习 (ML),特别是转移学习 (TL),在通过将知识从多数群体转移到少数群体来解决BC健康差异方面表现有前途.
• 对于BC的现有TL模型往往由于临床数据有限和多omics数据集成的不足利用而导致性能下降.

研究的目的:

• 开发和验证一种新的加权多模式转移学习框架 (MOTLAB),以优化多omics集成和减轻乳腺癌中的种族差异.
• 为了解决现有方法的局限性,包括患者样本不足和各种omics数据的低最佳集成.
• 提高人工智能驱动的方法的稳定性和性能,以减少乳腺癌健康差异.

主要方法:

• 开发了MOTLAB,一个加权的多模式转移学习框架,集成mRNA,miRNA和甲基化数据.
• 利用患者与患者的相似性 (皮尔森相关系数) 来构建多omics数据的加权集成.
• 使用嵌套网格搜索来优化omics模式权重和合成少数群体过量采样技术 (SMOTE) 来增强数据以解决数据不平衡.

主要成果:

• 与现有的多omicsTL模型相比,MOTLAB在减少乳腺癌健康差异方面表现优越.
• 该框架在缓解BC健康差异方面表现优于单个omics,两个omics整合,传统混合和独立模型.
• 在MOTLAB中优化了三种omics数据的加权集成,显著提高了其有效性.

结论:

• MOTLAB提供了一种强大而优化的方法来减少乳腺癌中的种族差异.
• 该框架能够整合和优化多omics数据,这对改善BC诊断,预后和治疗具有重大潜力.
• MOTLAB是可扩展的,可以应用于减轻其他癌症类型的健康差异.