强大的图结构学习方法用于提升多组学癌症亚型分类的准确性

《BMC Bioinformatics》：Robust graph structure learning to improve multi-omics cancer subtype classification

　　

摘要

背景

在多组学层面对癌症患者进行一致的分型仍然是推进精准医疗的重要挑战。然而，在整合多组学数据时，一个关键问题是如何同时处理组内和组间信息以及样本网络。

结果

在这项研究中，我们提出了特征与图结构学习相结合的图卷积网络（FaGGCN），该网络结合了特征学习和图结构学习来进行多组学癌症亚型分类。该模型使用卷积自编码器来学习信息丰富的潜在特征，并进一步利用患者的生存信息来选择与生存结果显著相关的关键特征。图自编码器将这些关键特征与组间相似性融合矩阵相结合，使模型能够学习到全面的样本网络。最后，图卷积网络在整合关键特征的同时结合样本网络，从而实现对患者的精确分类。此外，生存分析、敏感性分析和差异基因表达分析突显了FaGGCN模型的可解释性，以及其识别适合临床研究的生物标志物的能力。

结论

实验结果表明，我们的模型在涵盖四种组学模式的八个癌症数据集上表现出具有竞争力的性能，总体分类性能和探索性生存预测结果都有所提升。