TF-DWGNet：一种用于多组学癌症亚型分类的基于树的有向加权图神经网络与张量融合

整合和分析多组学数据为提高癌症亚型分类提供了宝贵的见解。然而，这些数据本质上是异构的、高维的，并且存在复杂的类内和类间依赖关系。图神经网络（GNN）提供了原则性的框架来建模这些结构，但现有方法往往依赖先验知识或预定义的相似网络，产生无向或无加权图，无法捕获任务特定的方向性和相互作用强度。在模态和特征水平上的可解释性也有限。为解决这些挑战，我们提出了 TF-DWGNet，一种新的图神经网络框架，将基于树的有向加权图 construction 与张量融合结合用于多类癌症亚型分类。TF-DWGNet 引入了两个关键创新：(1) 一种监督树构建策略，用于为每个组学模态构建定向加权图；(2) 一种张量融合机制，用于捕获单模态、双模态和三模态相互作用，并通过低秩分解实现计算效率。在三个真实世界癌症数据集上的实验表明，TF-DWGNet 在多个指标和统计检验中 consistently 优于最新基准。此外，该模型通过模态贡献得分和特征重要性排序提供了生物学上有意义的见解。这些结果表明，TF-DWGNet 是多组学整合癌症研究中有效且可解释的解决方案。