MODAPro：利用变分图自编码器实现可解释的异构网络，从组学数据中挖掘特定疾病的功能分子和通路

《Analytical Chemistry》：MODAPro: Explainable Heterogeneous Networks with Variational Graph Autoencoder for Mining Disease-Specific Functional Molecules and Pathways from Omics Data

多组学数据整合面临异质性、稀疏性及可解释性挑战，MODAPro通过融合变分图自编码器与图卷积网络，实现跨组学非线性关系的高分辨率解析，在疾病标志物识别和功能模块挖掘中表现优异，同时支持单组学数据推断，为精准医学提供新工具。

　　

多组学数据的快速增长彻底改变了我们研究疾病机制的能力，但由于数据本身的异质性、特征性的稀疏模式以及现有分析方法在可解释性方面的不足，实现有意义的整合仍然面临重大挑战。为了解决这些关键问题，我们推出了MODAPro，这是一个基于生物学原理的深度学习框架，它将变分图自编码器（VAE）与图卷积网络（GCN）相结合。这种新颖的架构使MODAPro能够以前所未有的分辨率捕捉并深入解读不同组学层次之间的复杂非线性分子关系。通过对多种与疾病相关的数据集进行系统的基准测试，MODAPro在识别疾病相关生物标志物和功能一致的模块方面始终优于现有方法。更重要的是，MODAPro揭示了传统方法常常忽略的潜在生物分子信息。在现实且具有挑战性的场景中，MODAPro能够有效捕捉跨组学的复杂相互作用，增强功能注释，并从系统生物学的角度提供对疾病的新见解，从而弥合计算分析与生物学理解之间的关键差距。此外，通过利用多组学背景，MODAPro在单组学数据集上也表现出强大的性能，即使在数据稀疏或不完整的情况下也能促进发现。该框架对各种数据类型和条件的适应性使其在精准医学应用中特别有价值，它能够揭示出那些否则可能被忽略的疾病特征和调控网络。通过有效应对多组学整合中的主要挑战，MODAPro为系统生物学研究和转化医学提供了一种有用的方法。MODAPro的源代码可在我们的GitHub仓库中公开获取：https://github.com/zhaoxiaoqi0714/MODAPro。