.png){kind=icon}
返回
A multi-omics integration framework using multi-label guided learning and multi-scale fusion
.png){kind=icon}
PRE
AI
DOI：10.1093/bib/bbaf493.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高通量测序技术的快速发展产生了大量的组学数据，使得多组学整合成为理解复杂疾病的关键方法。尽管近年来引入了多种多组学整合方法，但现有方法仍存在局限性，主要表现在依赖手动特征选择、适用性受限以及无法全面捕捉样本间和跨组学间的相互作用。为解决这些挑战，我们提出了mmMOI，一个端到端的多组学整合框架，融合了多标签引导学习和多尺度注意力融合。mmMOI直接处理原始高维组学数据，无需手动特征选择，从而增强了模型的可解释性并消除了特征预选择的偏差。首先，我们引入了一种多标签引导的多视图图神经网络，使模型能够自适应地学习不同数据集的组学数据表示，进而提高泛化性和稳定性。其次，我们设计了一种多尺度注意力融合网络，整合了全局注意力和局部注意力。这种双重注意力机制使mmMOI能够更准确地整合多组学数据，增强跨组学特征表示，并提升分类性能。实验结果表明，mmMOI在分类任务中显著优于当前先进方法，在不同生物背景和测序技术下表现出高稳定性和适应性。此外，mmMOI成功识别了关键疾病相关生物标志物，进一步增强了其生物学可解释性和实际应用价值。mmMOI的源代码、数据集和详细的超参数配置可在https://github.com/mlcb-jlu/mmMOI获取。
Keyword:
multi-omics integration
multi-label guided learning
multi-scale fusion
graph neural network
期刊
IF:
7.7
论文数:
5.8K
被引数:
2.7W
机构
引用论文
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PCDH17 gene promoter methylation status in a cohort of Egyptian women with epithelial ovarian cancer.png)
BMC CANCER
OAAI
BMC CANCERIF3.4
OAAI分享收藏MOCSS: Multi-omics data clustering and cancer subtyping via shared and specific representation learningiScienceOAAI
iScienceIF0
OAAI分享收藏
查看更多内容