基于监督Concrete自编码器的多组学数据整合与特征选择用于生存导向的患者分层
机器学习
2022-06-28 v2
摘要
癌症是一种具有重大社会和经济影响的复杂疾病。高通量分子检测技术的进步以及高质量多组学测量成本的降低，推动了通过机器学习获得的深入见解。先前的研究已显示出利用多个组学层预测生存并对癌症患者进行分层的潜力。在本文中，我们开发了一种用于基于生存的多组学整合的监督自编码器（SAE）模型，该模型改进了先前的工作，并报告了一种Concrete监督自编码器模型（CSAE），其使用特征选择来联合重建输入特征并预测生存。我们的实验表明，我们的模型优于或可与一些最常用的基线相媲美，同时要么提供更好的生存分离（SAE），要么具有更强的可解释性（CSAE）。我们还对模型进行了特征选择稳定性分析，并注意到与通常和生存相关的特征之间存在幂律关系。本项目的代码可在 https://github.com/phcavelar/coxae 获取。
引用
@article{arxiv.2206.10699,
title = {Multi-Omic Data Integration and Feature Selection for Survival-based Patient Stratification via Supervised Concrete Autoencoders},
author = {Pedro Henrique da Costa Avelar and Roman Laddach and Sophia Karagiannis and Min Wu and Sophia Tsoka},
journal= {arXiv preprint arXiv:2206.10699},
year = {2022}
}
备注
Accepted for publication at LOD2022