LASSO-MOGAT: ガン分類のための多オミクスグラフアテンションフレームワーク

機械学習手法を用いて遺伝子発現パターンの変化を解析することにより、がんの分子メカニズムの理解が深まり、がんの発生と進行に関する新たな洞察が得られるというアプローチが最近注目を集めています。多くの研究では、遺伝子発現データと他のオミクスデータを組み合わせることで、がん分類の結果が改善することが報告されています。しかし、高次元の多オミクスデータを効果的に統合し、異なる生物学的層間での複雑な関係を捉えることは依然として困難です。本論文では、LASSO-MOGAT（LASSO-Multi-Omics Gated Attention）と呼ばれる新しいグラフベースの深層学習フレームワークを紹介します。このフレームワークは、メッセンジャーRNA、マイクロRNA、およびDNAメチル化データを統合して31種類のがんを分類します。差動発現解析にLIMMAとLASSO回帰を使用して特徴選択を行い、Graph Attention Networks (GATs) を活用してタンパク質-タンパク質相互作用 (PPI) ネットワークを取り入れることで、LASSO-MOGATは多オミクスデータ内の複雑な関係を効果的に捉えます。5分割交差検証による実験検証では、本方法の精度、信頼性、およびがんの分子メカニズムに対する包括的な洞察力を示しています。提案されたグラフ注意機構に基づくタンパク質-タンパク質相互作用におけるエッジの注意係数の計算は、多オミクスデータにおけるシナジーを見出すために有益であることが確認されました。