Vergleichende Analyse der Multi-Omics-Integration unter Verwendung fortschrittlicher Graph-Neuralnetze für die Krebsklassifizierung

Mehromik-Daten werden zunehmend genutzt, um computergestützte Methoden für die Krebsklassifizierung zu verbessern. Die Integration von Mehromik-Daten stellt jedoch erhebliche Herausforderungen dar aufgrund der hohen Dimensionalität, Datenkomplexität und den unterschiedlichen Eigenschaften verschiedener Omikstypen. Diese Studie befasst sich mit diesen Herausforderungen und evaluiert drei Graph-Neuronalnetz-Architekturen zur Integration von Mehromik (MO)-Daten, basierend auf Graph-Faltungsnetzen (GCN), Graph-Aufmerksamkeitsnetzen (GAT) und Graph-Transformer-Netzen (GTN), zur Klassifizierung von 31 Krebstypen und normalen Geweben. Um die hohe Dimensionalität der Mehromik-Daten zu bewältigen, wurde die LASSO-Regression (Least Absolute Shrinkage and Selection Operator) für die Merkmalsauswahl eingesetzt, was zur Erstellung der Modelle LASSO-MOGCN, LASSO-MOGAT und LASSO-MOTGN führte. Die Graphstrukturen für die Netzwerke wurden unter Verwendung von Genkorrelationsmatrizen und Protein-Protein-Interaktionsnetzen zur Integration von Messenger-RNA, Mikro-RNA und DNS-Methylierungsdaten konstruiert. Diese Datenintegration ermöglicht es den Netzwerken, sich dynamisch auf wichtige Beziehungen zwischen biologischen Entitäten zu konzentrieren, was sowohl die Modellleistung als auch die Interpretierbarkeit verbessert. Unter den Modellen erreichte das LASSO-MOGAT-Modell mit einer korrelationsbasierten Graphstruktur eine Stand-of-the-Art-Genauigkeit (95,9 %) und übertraf die LASSO-MOGCN- und LASSO-MOTGN-Modelle in Bezug auf Präzision, Recall und F1-Score. Unsere Ergebnisse zeigen, dass die Integration von Mehromik-Daten in graphbasierte Architekturen die Leistung der Krebsklassifizierung durch das Aufdecken charakteristischer molekularer Muster verbessert, welche ein tieferes Verständnis der Krebsbiologie sowie potentieller Biomarker für die Krankheitsprogression fördern.