综述：基于网络的生物医学多组学数据分析方法

这篇综述系统梳理了网络分析方法在生物医学多组学（Multiomics）数据整合中的应用，重点对比了监督学习（如疾病分类）与非监督学习（如细胞分型）范式下传统机器学习（ML）与深度学习（如图卷积网络GCN）的优劣。文章创新性地提出四象限分析框架，强调网络表征能有效解决组学数据的高维度、稀疏性问题，并通过KEGG等知识图谱整合先验知识，为疾病机制研究（如癌症TCGA数据集分析）提供新思路。

　　

背景

生物医学研究已进入多组学（Multiomics）时代，基因组学（genomics）、转录组学（transcriptomics）、蛋白质组学（proteomics）等数据的爆炸式增长催生了整合分析需求。然而，组学数据存在高维度、异质性、样本量有限等挑战。网络（graph）表征通过节点（node）和边（edge）显式建模生物学关系，成为破解这些难题的关键——例如将基因作为节点，KEGG通路交互作为边，或将患者相似性构建为网络拓扑。

现有网络分析方法

监督学习：从疾病预测到生存分析

传统机器学习方法如iOmicsPASS利用ConsensusPathDB通路数据库构建交互评分，通过改进的最近收缩重心算法（NSC）预测癌症亚型；NetMIM则采用贝叶斯网络处理缺失数据。这些方法依赖特征工程，但可解释性强。
深度学习代表GraphSurv将TCGA中RNA-seq、拷贝数变异（CNV）、甲基化数据嵌入基因节点，通过图卷积网络（GCN）预测患者生存率；MOGAT创新性地引入图注意力机制，在乳腺癌亚型分类中表现优异。

非监督学习：从单细胞聚类到通路挖掘

传统方法如PARADIGM通过EM算法推断患者特异性通路活性；COSMOS整合转录组-磷酸化蛋白质组-代谢组数据，识别肾细胞癌的因果调控网络。
深度学习方法GLUE利用图变分自编码器对齐单细胞多组学数据，而SpatialGlue通过空间转录组网络识别组织微环境。这些方法通过重建损失函数学习低维表征，但需注意潜在过拟合风险。

关键比较维度

网络表征形式可分为三类：

1. 分子-组学网络（如基因-蛋白交互）
2. 聚合网络（如跨组学基因模块）
3. 样本网络（如患者相似性图）
   算法选择需权衡：

• 深度学习在非线性建模（如MoGCN的端到端训练）上优势显著，但需要警惕"黑箱"问题
• 传统方法（如Lemon-Tree的共表达模块）更易解释，适合小样本场景

未来方向

领域存在三大缺口：过度依赖GCN架构、先验知识更新滞后、临床转化瓶颈。解决方案包括：

1. 探索异构图神经网络（heterogeneous GNN）处理多类型节点/边
2. 开发抗噪声的半监督学习框架
3. 结合可解释性工具（如GNNExplainer）提升临床可信度

结论

网络分析正成为多组学整合的核心范式，其结构化表征能力可有效缓解维度灾难。随着图注意力机制、Transformer等新技术引入，未来有望在癌症分型、生物标志物发现等领域实现更精准的"组学-表型"映射。