基于GAN的多组学集成转换：阿尔茨海默病和癌症应用

多组学数据集成对于理解复杂疾病至关重要，但受限样本量、噪声和异质性常常降低预测效能。为此，我们引入Omics-GAN，一个基于生成对抗网络（GAN）的框架，旨在生成高质量的合成多组学轮廓，同时保持生物学关系。我们在使用阿尔茨海默病（AD）的ROSMAP队列以及结直肠癌和肝癌的TCGA数据集上评估了Omics-GAN，对三种组学类型（mRNA、miRNA和DNA甲基化）进行测试。基于重复5折交叉验证的支持向量机（SVM）分类器显示，合成数据集在预测准确率上 consistently优于原始组学轮廓。AD中mRNA的SVM AUC从0.72提升至0.74，肝癌中提升至0.72。合成miRNA在结直肠癌中的分类准确率从0.59提升至0.69，合成甲基化数据在肝癌中的表现提升至0.71。盒线图分析确认合成数据保留了统计分布，同时减少了噪声和异常值。特征选择识别出与原始数据集重叠的显著基因，并揭示了额外的候选基因，这些候选基因通过GO和KEGG富集分析得到验证。最后，分子对接突出了潜在的药物再利用候选，包括阿尔茨海默病的Nilotinib、肝癌的Atovaquone以及结直肠癌的Tecovirimat。Omics-GAN增强了疾病预测，保持了生物学忠实性，加速了生物标志物和药物发现，为精密医疗应用提供了可扩展策略。