Analyse comparative de l'intégration multi-omique à l'aide de réseaux neuronaux graphiques avancés pour la classification du cancer

Les données multi-omiques sont de plus en plus utilisées pour améliorer les méthodes computationnelles de classification des cancers. Cependant, l'intégration des données multi-omiques présente des défis importants en raison de la haute dimensionnalité, de la complexité des données et des caractéristiques distinctes des différents types d'omiques. Cette étude aborde ces défis et évalue trois architectures de réseaux neuronaux graphiques pour l'intégration multi-omique (MO) basées sur les réseaux convolutionnels graphiques (GCN), les réseaux d'attention graphique (GAT) et les réseaux transformateurs graphiques (GTN) afin de classer 31 types de cancer et tissus normaux. Pour faire face à la haute dimensionnalité des données multi-omiques, nous avons utilisé la régression LASSO (Least Absolute Shrinkage and Selection Operator) pour la sélection de caractéristiques, conduisant à la création des modèles LASSO-MOGCN, LASSO-MOGAT et LASSO-MOTGN. Les structures graphiques des réseaux ont été construites à partir de matrices de corrélation génétique et de réseaux d'interactions protéine-protéine pour l'intégration multi-omique des données d'ARN messager, d'ARN micro et de méthylation de l'ADN. Cette intégration permet aux réseaux de se concentrer dynamiquement sur les relations importantes entre entités biologiques, améliorant ainsi les performances du modèle et sa facilité d'interprétation. Parmi les modèles évalués, le modèle LASSO-MOGAT avec une structure graphique basée sur la corrélation a atteint une précision d'état de l'art (95,9 %) et surpassé les modèles LASSO-MOGCN et LASSO-MOTGN en termes de précision, rappel et score F1. Nos résultats montrent que l'intégration des données multi-omiques dans des architectures basées sur les graphes améliore les performances de classification des cancers en mettant en lumière des motifs moléculaires distincts qui contribuent à une meilleure compréhension de la biologie du cancer et à l'identification potentielle de biomarqueurs pour le suivi évolutif de la maladie.