整合使用基于关联的图表注意力网络的多组学数据,用于低级质瘤的亚型分类
Eman Mohammed Hamid1, Murtada K Elbashir2, Nosiba Yousif Ahmed1
1Department of Computer Science, Faculty of Mathematical and Computer Science, University of Gezira, Wad Madani, Sudan.
Discover oncology
|January 16, 2026
概括
深度学习模型BioGAT-LGG使用多omics数据准确地分类低级质瘤 (LGG) 亚型. 它确定了针对个性化癌症治疗和决策的新型生物标志物.
科学领域:
- 在瘤学瘤学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 准确的癌症亚型分类对于开发个性化疗法至关重要.
- 现有的方法往往依赖于外部的生物数据,限制了它们的范围.
- 整合多学科数据提供了一种全面的方法来理解癌症的复杂性.
研究的目的:
- 开发一个深度学习框架,BioGAT-LGG,用于低级质瘤 (LGG) 亚型分类.
- 通过整合多omics数据 (mRNA,miRNA,DNA甲基化) 来发现新的生物标志物.
- 建立基因驱动的相关图方法,用于学习分子相互作用.
主要方法:
- 使用基于关联的图表注意力网络版本2 (GATv2) 进行多omics集成.
- 采用LASSO回归来实现特征解释性和维度缩小.
- 进行了分层的10倍交叉验证,以进行可靠的性能评估.
主要成果:
- 实现了高精度 (98.03%) 的精度 (98.12%),回忆 (97.74%) 和F1得分 (97.87%).
- 已识别并验证的关键生物标志物:hsa-mir-3936,MTCO1P40和CCND2.2.
- 路径丰富分析证实了与癌症相关信号的相关性.
结论:
- 生物GAT-LGG有效地分类LGG亚型,并发现临床相关的生物标志物.
- 该框架捕捉了生物验证的机制,以提供知情决策.
- 这种方法为瘤学中的多omics集成提供了一个可扩展的基础.


