.png){kind=icon}
返回
Graph designs for deep learning–based multi-omics integration
.png){kind=icon}
OA
AI
DOI：10.1093/bib/bbag410.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现代测序技术现在可以从同一生物系统中捕获多个组学层次，但将这些视图整合到连贯模型中远非易事。基于图的深度学习已成为一种有吸引力的策略，因为它能够以灵活的方式表示复杂的分子相互作用和样本关系。在本综述中，我们调查了图在多组学深度学习模型中的构建和用法，按节点模式、边语义、交互类型、整合策略、图上下文和模型架构，对细胞群、单细胞和空间设置下的方法进行了组织。我们总结了不同设计选择在可解释性、数据需求、对噪声和缺失模态的鲁棒性以及从预测到机制导向发现的任务适用性方面的优缺点。基于这些见解，我们概述了一个通用、实用的管道，用于构建、整理和评估图，可以作为新多组学研究的一个起点。
