LASSO-MOGAT : Un Cadre d'Attention Graphique Multi-omics pour la Classification du Cancer

L'application des méthodes d'apprentissage automatique pour analyser les changements dans les motifs d'expression des gènes est récemment apparue comme une approche puissante en recherche sur le cancer, améliorant notre compréhension des mécanismes moléculaires sous-jacents au développement et à la progression du cancer. De nombreuses études ont rapporté que la combinaison de données d'expression génétique avec d'autres types de données omiques permet d'améliorer les résultats de classification du cancer. Malgré ces avancées, l'intégration efficace de données omiques multidimensionnelles et la capture des relations complexes entre différents niveaux biologiques restent des défis majeurs. Cet article introduit LASSO-MOGAT (LASSO-Multi-Omics Gated ATtention), un nouveau cadre d'apprentissage profond basé sur les graphes qui intègre les données d'ARN messager, de microARN et de méthylation de l'ADN pour classer 31 types de cancer. En utilisant l'analyse différentielle de l'expression avec LIMMA et la régression LASSO pour la sélection des caractéristiques, et en exploitant les réseaux d'attention graphique (GATs) pour incorporer les réseaux d'interactions protéine-protéine (PPI), LASSO-MOGAT capture efficacement les relations complexes au sein des données omiques multiples. La validation expérimentale par validation croisée à cinq reprises démontre la précision, la fiabilité et la capacité de cette méthode à fournir des insights complets sur les mécanismes moléculaires du cancer. Le calcul des coefficients d'attention pour les arêtes du graphe par l'architecture d'attention graphique proposée, basée sur les interactions protéine-protéine, s'est avéré bénéfique pour identifier les synergies dans les données omiques multiples pour la classification du cancer.