基于机器学习与个性化基因调控网络的基因型-表型整合用于癌症转移预测
其他定量生物学
2025-12-29 v2 人工智能
摘要
转移是癌症死亡的主要原因，但大多数预测模型依赖浅层架构，忽略患者特有的调控机制。本文将经典机器学习与深度学习相结合，用于预测跨多种癌症类型的转移潜力。将来自癌细胞库（Cancer Cell Line Encyclopedia）的基因表达轮廓与来自 DoRothEA 的转录因子靶标先验信息相结合，聚焦于九个与转移相关的调控因子。通过 Kruskal-Wallis 检验筛选差异基因后，训练 ElasticNet、Random Forest 和 XGBoost 模型进行基准测试。随后使用 PANDA 和 LIONESS 构建个性化基因调控网络，并通过图注意力神经网络（GATv2）进行分析，以学习拓扑与表达基础的表征。虽然 XGBoost 实现的最高 AUROC 为 0.7051，但 GNN 在患者水平上捕捉到了非线性调控依赖关系。这些结果表明，将传统机器学习与基于图的深度学习结合起来，能够为精准医学中的转移风险预测提供一种可扩展且可解释的框架。
引用
@article{arxiv.2510.23620,
title = {Genotype-Phenotype Integration through Machine Learning and Personalized Gene Regulatory Networks for Cancer Metastasis Prediction},
author = {Jiwei Fu and Chunyu Yang},
journal= {arXiv preprint arXiv:2510.23620},
year = {2025}
}
备注
39 pages, 14 figures. Preliminary version of ongoing collaborative research; a substantially revised manuscript is in preparation