LASSO-MOGAT: 암 분류를 위한 다중 오믹스 그래프 주의력 프레임워크

기계 학습 방법을 유전자 발현 패턴의 변화를 분석하는 데 적용하는 것이 최근 암 연구에서 강력한 접근 방식으로 부상하여, 암 발생 및 진행을 지배하는 분자 메커니즘에 대한 이해를 향상시키고 있습니다. 많은 연구에서는 유전자 발현 데이터와 다른 오믹스 데이터를 결합하면 암 분류 결과를 개선할 수 있다고 보고하였습니다. 그러나 이러한 진전에도 불구하고, 고차원 다중 오믹스 데이터를 효과적으로 통합하고 서로 다른 생물학적 계층 간의 복잡한 관계를 포착하는 것은 여전히 어려운 문제입니다. 본 논문은 메신저 RNA, 미세 RNA, 그리고 DNA 메틸화 데이터를 통합하여 31개의 암 유형을 분류하는 새로운 그래프 기반 딥러닝 프레임워크인 LASSO-MOGAT (LASSO-Multi-Omics Gated ATtention)을 소개합니다. 차등 발현 분석(LIMMA)과 LASSO 회귀를 사용하여 특성 선택을 수행하고, 그래프 주의 네트워크(GATs)를 활용하여 단백질-단백질 상호작용(PPI) 네트워크를 통합함으로써 LASSO-MOGAT는 다중 오믹스 데이터 내의 복잡한 관계를 효과적으로 포착합니다. 5겹 교차 검증을 사용한 실험 검증은 이 방법이 정확하며 신뢰성이 높으며, 암 분자 메커니즘에 대한 포괄적인 인사이트 제공 능력을 입증하였습니다. 제안된 그래프 주의 구조가 단백질-단백질 상호작용 기반으로 그래프의 엣지에 대한 주의 계수를 계산함으로써 다중 오믹스 데이터에서 암 분류에 필요한 시너지를 식별하는 데 유익하다는 점이 증명되었습니다.