IGCN：用于多组学整合中患者层面洞察与生物标志物发现的整合图卷积网络
机器学习
2024-09-25 v3
摘要
开发用于跨多种类型组学数据整合分析的计算工具，在癌症分子生物学和精准医学研究中一直具有极其重要的意义。尽管近期的进展为多组学数据提供了整合预测解决方案，但这些方法缺乏对其特定预测背后原理的全面且一致的理解。为了阐明个性化医学并在多组学数据的整合分析中揭示先前未知的特征，我们引入了一种名为整合图卷积网络 (IGCN) 的新型整合神经网络方法，用于癌症分子亚型和生物医学分类应用。IGCN 能够识别对于每位患者而言，在预测特定类别时哪种类型的组学受到更多重视。此外，IGCN 具备从多种组学数据类型中精确定位重要生物标志物的能力。为了证明 IGCN 的优越性，我们在不同的癌症亚型和生物医学分类任务上将其性能与其他 state-of-the-art 方法进行了比较。
引用
@article{arxiv.2401.17612,
title = {IGCN: Integrative Graph Convolution Networks for patient level insights and biomarker discovery in multi-omics integration},
author = {Cagri Ozdemir and Mohammad Al Olaimat and Yashu Vashishath and Serdar Bozdag and Alzheimer's Disease Neuroimaging Initiative},
journal= {arXiv preprint arXiv:2401.17612},
year = {2024}
}