MULGONET:一种可解释的神经网络框架,用于整合多omics数据,用于癌症复发预测和生物标志物发现
Wei Lan1, Zhentao Tang1, Haibo Liao1
1Guangxi Key Laboratory of Multimedia Communications and Network Technology, School of Computer, Electronic and Information, Guangxi University, Guangxi 530004, China.
本研究介绍了MULGONET,这是一种用于整合多omics癌症数据的深度学习方法,以预测复发并发现生物标志物. MULGONET提高了解释性,并揭示了基因-GO术语相互作用,以获得更好的癌症洞察力.
科学领域:
- 计算生物学 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:
- 多学科数据为癌症的发展和进展提供了互补的见解.
- 将异质的多学科数据集成到深度学习模型中,带来了重大的技术挑战.
- 对癌症复发的准确预测和生物标志物的识别对于患者的治疗结果至关重要.
研究的目的:
- 提出一种新的端到端深度学习方法,MULGONET,用于癌症复发预测和生物标志物发现.
- 解决多主题数据集成方面的挑战,包括维度和模型可解释性.
- 探索基因和基因本体学 (GO) 术语的相互作用,以增强生物学洞察力.
主要方法:
- 开发了MULGONET,这是一个端到端的深度学习框架,用于多学科数据集成.
- 实施的方法来克服固有的维度的诅咒在高维的奥米克数据.
- 设计了模型来探索基因和GO术语之间的监管关系.
主要成果:
- MULGONET有效地处理缩小维度,并提高模型的可解释性.
- 与当代分类方法相比,在膀,胰腺和胃癌数据集上取得了优异的性能.
- 精确回忆曲线 (AUPR) 下的高显示面积值:0.774 ± 0.015 (膀),0.873 ± 0.003 (胰腺) 和0.702 ± 0.011 (胃).
- 成功确定了与癌症复发相关的预后基因和GO术语.
结论:
- MULGONET提供了一种有效的方法,用于使用集成的多omics数据预测癌症复发.
- 该方法通过揭示基因-GO术语相互作用,提供了宝贵的生物学见解.
- 穆尔格尼特显示出生物标志物发现和改善癌症患者分层的巨大潜力.
更多相关视频
13:19Microarray-based Identification of Individual HERV Loci Expression: Application to Biomarker Discovery in Prostate Cancer
Published on: November 2, 2013
07:11Author Spotlight: Emerging Technologies and Advanced Tools for Decoding Metabolomics Data Analysis
Published on: November 10, 2023
相关概念视频
Bioequivalence Data: Statistical Interpretation
Protein Networks
These interactions can be represented through maps depicting protein-protein interaction networks, represented as nodes and edges. Nodes are circles that are representative of a protein,...
Predicting Molecular Geometry
Interpreting R Charts
An R chart plots the range of subsets of measurements collected from a process. Each point on the chart represents the range—defined as the difference between the maximum and minimum...
Network Covalent Solids
To break or to melt a covalent network solid, covalent bonds must be broken. Because covalent bonds are relatively strong, covalent network solids are typically...
Drug Discovery: Overview
