用于多癌症分类与生物标志物识别的可解释图 Kolmogorov-Arnold 网络:基于多组学数据
机器学习
2025-07-29 v3 定量方法
摘要
在系统层面整合异构多组学数据集,仍是开发精准癌症诊断分析与计算模型的核心挑战。本文提出多组学图 Kolmogorov-Arnold 网络(Multi-Omics Graph Kolmogorov-Arnold Network, MOGKAN),一种深度学习框架,利用信使 RNA、微小 RNA 序列以及 DNA 甲基化样本,并结合蛋白质-蛋白质相互作用(PPI)网络,实现对 31 种不同癌症类型的分类。所提方法将差异基因表达与 DESeq2、用于微阵列的线性模型(LIMMA)以及最小绝对收缩与选择算子(LASSO)回归相结合,在保留相关生物学特征的同时降低多组学数据的维度。模型架构基于 Kolmogorov-Arnold 定理原理,采用可训练的单变量函数以增强可解释性与特征分析能力。MOGKAN 实现了 96.28% 的分类准确率,并在与相关深度学习模型的对比中表现出较低的实验变异性。MOGKAN 所识别的生物标志物经基因本体(GO)与京都基因与基因组百科全书(KEGG)富集分析验证为癌症相关标志物。通过将多组学数据与基于图的深度学习相结合,本研究所提方法展现出稳健的预测性能与可解释性,有望推动将复杂多组学数据转化为临床可操作的癌症诊断。
引用
@article{arxiv.2503.22939,
title = {Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data},
author = {Fadi Alharbi and Nishant Budhiraja and Aleksandar Vakanski and Boyu Zhang and Murtada K. Elbashir and Harshith Guduru and Mohanad Mohammed},
journal= {arXiv preprint arXiv:2503.22939},
year = {2025}
}