Subtype-Former：一种基于多组学数据的深度学习癌症亚型发现方法
机器学习
2022-08-01 v1 定量方法
摘要
动机：癌症具有异质性，影响了个性化治疗的精准实施。准确的亚型分类可提高癌症患者的生存率。高通量技术为癌症亚型分类提供了多种组学数据。然而，由于组学数据量大且维度高，精确的癌症亚型分类仍具挑战性。结果：本研究提出 Subtype-Former，一种基于 MLP 和 Transformer Block 的深度学习方法，用于提取多组学数据的低维表示。同时采用 K-means 和 Consensus Clustering 以获得准确的亚型分类结果。我们在 TCGA 的 10 种癌症类型上将 Subtype-Former 与其他最先进的亚型分类方法进行比较。基于生存分析，我们发现 Subtype-Former 在超过 5000 个肿瘤的基准数据集上表现更优。此外，Subtype-Former 在泛癌亚型分类中也取得了出色结果，有助于在分子层面分析不同癌症类型间的共性与差异。最后，我们将 Subtype-Former 应用于 TCGA 的 10 种癌症，识别出 50 个关键生物标志物，可用于研究靶向抗癌药物，推动精准医学时代癌症治疗的发展。
引用
@article{arxiv.2207.14639,
title = {Subtype-Former: a deep learning approach for cancer subtype discovery with multi-omics data},
author = {Hai Yang and Yuhang Sheng and Yi Jiang and Xiaoyang Fang and Dongdong Li and Jing Zhang and Zhe Wang},
journal= {arXiv preprint arXiv:2207.14639},
year = {2022}
}