基于模态感知外部注意力的乳腺癌多组学亚型分类方法

《BMC Bioinformatics》：Modality-aware external attention with explicit cross-omics interaction modelling for breast cancer subtype classification

　　

摘要

背景

乳腺癌在分子层面上具有异质性，多组学测量为分子亚型分类提供了互补的信息。然而，由于其高维度和特定于模态的特性，有效整合这些数据具有挑战性。

方法

我们开发了一个具有模态感知能力的外部注意力（MAEA）框架，用于利用mRNA表达、DNA甲基化和miRNA表达数据对五种乳腺癌亚型进行分类。在每个训练折叠中，分别对每种模态进行Boruta特征选择。特定于模态的编码器生成潜在表示，而成对的Hadamard交互标记明确地表示了跨组学关系。这些结构化的标记查询共享的外部键值内存，并通过一个学习到的标记门进行组合。

结果

在对TCGA-BRCA数据集进行的分层10折交叉验证中，MAEA的准确率为86.78 ± 2.46%，宏召回率为83.47 ± 4.38%，宏F1值为81.36 ± 3.48%，宏AUC值为0.9694 ± 0.0115。一个匹配的具有模态感知能力的自注意力模型准确率为85.65 ± 3.76%，宏F1值为81.26 ± 3.61%，各折叠间没有统计学上的显著差异。与基于连接的外部注意力基线相比，MAEA的准确率提高了3.40个百分点，宏F1值提高了3.54个百分点。消融实验进一步证明了特征选择、交互建模和外部记忆注意力的重要性。

结论

MAEA提供了一种结构化的多组学融合策略，在明确建模成对跨组学交互的同时保留了模态的完整性。在临床应用之前，仍需要进行独立的外部验证。