CALT-GNN：一种解决多组学数据不平衡与跨组学关系的癌症亚型分类框架

《BMC Bioinformatics》：CALT-GNN: a graph neural network with cross-attention and long-tail experts for multi-omics cancer subtype classification

　　

摘要

基于分子特征的癌症亚型分类对于表征肿瘤异质性、评估患者预后和支持精准治疗非常重要。多组学整合在基因组学、表观基因组学、转录组学和蛋白质组学层面提供了互补的分子信息。然而，多组学数据的高维度、复杂的跨组学关系以及亚型分布不平衡仍然是主要挑战。为了解决这些问题，我们提出了CALT-GNN，这是一个图神经网络框架，它整合了患者相似性图学习、基于交叉注意力的组学整合、长尾专家分类和可学习的预测融合。该框架首先构建特定于组学的患者相似性图，使用图卷积网络学习潜在的患者表征，并通过相似性网络融合获得一个统一的图谱。交叉注意力分支模型模拟了CNA（拷贝数异常）和DNA甲基化作为源模态与mRNA表达作为目标模态之间的互补关系。同时，长尾专家分支利用主要专家和次要专家以及原型引导的路由来进行具有类别分布意识的分类。然后使用一个可学习的全局权重将这两个分支的输出结合起来。在八个TCGA多组学队列上的实验表明，CALT-GNN的分类性能与代表性的基线方法相当或具有竞争力，并且在对类别不平衡敏感的Macro-F1和MCC指标上表现出稳定的性能。消融分析和亚型级别的分析进一步支持了跨组学交互建模和自适应长尾专家路由的互补作用，尽管改进的程度在不同队列和亚型之间有所不同。这些结果表明，CALT-GNN为在复杂的跨组学关系和亚型分布不平衡的情况下进行多组学癌症亚型分类提供了一种方法论框架。