GraphAge：利用图神经网络解码表观遗传年龄
定量方法
2024-08-05 v1
摘要
DNA 甲基化是 various 时钟中用于预测表观遗传年龄的关键表观标记。然而，许多现有时钟未能考虑关于 CpG 位点及其相互关系的关键信息，例如共甲基化模式。我们提出了一种新方法，将甲基化数据表示为图，将甲基化值和相关关于 CpG 位点的信息作为节点，将共甲基化、同一基因和同一染色体等关系作为边。随后使用图神经网络（GNN）进行年龄预测。因此，我们的模型 GraphAge 能够利用结构和位置信息进行预测，并提供更好的解释。尽管我们在受限的计算资源下训练，GraphAge 仍显示出与当前最佳方法相当的性能，平均绝对误差（MAE）为 3.207，平均平方误差（MSE）为 25.277，略优于当前最先进的方法。更重要的是，我们利用 GNN 解释器进行解释，能够揭示有趣的见解（例如关键 CpG 位点、通路及其通过甲基化受调网络的关系），这些见解在不利用 GraphAge 独特能力（即“编码”各种结构关系）的情况下无法“解码”。GraphAge 有 potential 消费和利用与个体相关的所有相关信息（如果可用），这些信息与衰老这一复杂过程的本质密切相关。从这个意义上说，GraphAge 是一种独一无二的模型，可能被视为一种多模态模型的基准，能够整合所有这些信息以弥合我们对衰老本质理解之间的差距。
引用
@article{arxiv.2408.00984,
title = {GraphAge: Unleashing the power of Graph Neural Network to Decode Epigenetic Aging},
author = {Saleh Sakib Ahmed and Nahian Shabab and Md. Abul Hassan Samee and M. Sohel Rahman},
journal= {arXiv preprint arXiv:2408.00984},
year = {2024}
}