面向阿尔茨海默病诊断的分阶段图卷积神经网络——基于多组学数据的 SGUQ 方法
信息检索
2024-10-16 v1 机器学习
定量方法
摘要
阿尔茨海默病（AD）是一种慢性神经退行性疾病，是全球导致痴呆的主要原因，显著影响死亡率、成本和负担。高通量组学技术的出现，如基因组学、转录组学、蛋白质组学和表观基因组学，彻底改变了我们对 AD 分子机制的理解。传统的人工智能方法通常需要在诊断初期就获取完整的组学数据才能实现最佳诊断效果，这种做法效率低下且可能不必要。为了降低临床成本并提高使用多组学数据进行 AD 诊断的准确性，我们提出了一种新型的分阶段图卷积神经网络（SGUQ），并引入不确定性量化。SGUQ 从 mRNA 开始，仅在必要时才逐步纳入 DNA 甲基化和 miRNA 数据，从而降低总体成本并减少暴露于有害检测的风险。实验结果表明，使用单一模式组学数据（mRNA）即可可靠预测 46.23% 的样本，另外 16.04% 的样本在结合两种组学数据类型（mRNA + DNA 甲基化）时可实现可靠预测。此外，提出的分阶段 SGUQ 在 ROSMAP 数据集上实现了 0.858 的诊断准确率，显著优于现有方法。该提议的 SGUQ 不仅可应用于基于多组学数据的 AD 诊断，也具有面向临床决策的潜力，可处理多视图数据。我们的实现已公开于 https://github.com/chenzhao2023/multiomicsuncertainty。
引用
@article{arxiv.2410.11046,
title = {SGUQ: Staged Graph Convolution Neural Network for Alzheimer's Disease Diagnosis using Multi-Omics Data},
author = {Liang Tao and Yixin Xie and Jeffrey D Deng and Hui Shen and Hong-Wen Deng and Weihua Zhou and Chen Zhao},
journal= {arXiv preprint arXiv:2410.11046},
year = {2024}
}
备注
20 pages, 2 figures