.png){kind=icon}
返回
A contrastive adversarial encoder for multi-omics data integration
.png){kind=icon}
PRE
AI
DOI：10.1371/journal.pone.0333134.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
早期且准确的癌症检测对于有效治疗、预后以及精准医学的进步至关重要。分析组学数据在癌症研究中至关重要。然而，使用单一类型的组学数据仅能提供有限视角，而整合多种组学模态则能更全面地理解癌症。当前深度模型在实现高效降维的同时难以保留全局信息并整合多组学数据，这往往导致特征冗余或信息丢失，忽视了不同模态间的协同作用。本文提出了一种对比对抗编码器（CAEncoder）用于多组学数据整合，以应对这一挑战。所提出的模型结合了Vision Transformer（ViT）和CycleGAN，采用端到端的对比方式进行训练。ViT作为编码器，利用自注意力机制，而CycleGAN则采用对抗学习以确保更具有判别力和不变性的潜在空间嵌入。对比对抗训练通过防止信息丢失、消除冗余和捕捉不同组学模态间的协同作用来提升表示质量。为保障对比对抗训练，采用了一种复合损失函数，包括Adversarial Loss（Hinge Loss）、Cycle Consistency Loss和Triplet Margin Loss的加权组合。Adversarial Loss和Cycle Consistency Loss提供了来自CycleGAN的反馈，确保有效的对抗学习。同时，Triplet Margin Loss通过在潜在空间中将相似样本拉近、将不相似样本推远来促进对比学习。CAEncoder的性能在下游分类任务上进行了评估，包括五种不同癌症类型的二分类和多分类。结果表明，该模型实现了最高93.33%的分类准确率和92.81%的F1分数，优于现有先进模型。这些发现表明，该方法通过改进多组学数据整合，有望增强癌症的精准医学应用。
期刊
IF:
2.6
论文数:
2.6W
被引数:
81.6W
机构
引用论文
HLSNC-GAN: Medical Image Synthesis Using Hinge Loss and Switchable Normalization in CycleGAN.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Integration of multi-omics data using adaptive graph learning and attention mechanism for patient classification and biomarker identification使用自适应图学习和注意力机制整合多组学数据进行患者分类和生物标志物识别
PREAI
分享收藏Cancer Subtype Identification Through Integrating Inter and Intra Dataset Relationships in Multi-Omics DataIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Unpaired Image-to-Image Translation Using Cycle-Consistent Adversarial Networks使用循环一致的对抗网络进行不成对的图像到图像的翻译
OAAI
OAAI分享收藏PaCMAP-embedded convolutional neural network for multi-omics data integration用于多组学数据集成的PaCMAP嵌入式卷积神经网络HELIYONOAAI
HELIYONIF3.6
OAAI分享收藏
查看更多内容