MoRE-GNN：基于异构图自编码器的多组学数据集成
机器学习
2025-10-09 v1 人工智能
摘要
多组学单细胞数据集成因维度高和复杂的跨模态关系而具有挑战。为此，我们提出了 MoRE-GNN (Multi-omics Relational Edge Graph Neural Network)，一种结合图卷积和注意力机制的异构图自编码器，能够直接从数据中动态构建关系图。我们在六个公开数据集上的评估表明，MoRE-GNN 能捕捉到具有生物学意义的关系，并在跨模态关联较强的情形下优于现有方法。此外，所学得的表征允许对下游跨模态预测进行准确预测。虽然性能随数据集复杂度而变化，但 MoRE-GNN 提供了一个自适应、可扩展且具有可解释性的框架，用于推进多组学集成。
引用
@article{arxiv.2510.06880,
title = {MoRE-GNN: Multi-omics Data Integration with a Heterogeneous Graph Autoencoder},
author = {Zhiyu Wang and Sonia Koszut and Pietro Liò and Francesco Ceccarelli},
journal= {arXiv preprint arXiv:2510.06880},
year = {2025}
}