고급 그래프 신경망을 이용한 암 분류를 위한 다중 오믹스 통합의 비교 분석

다중 오믹스 데이터는 점점 더 많은 연구에서 암 분류를 위한 컴퓨테이션 방법을 발전시키는 데 활용되고 있습니다. 그러나 다중 오믹스 데이터 통합은 고차원성, 데이터 복잡성, 그리고 다양한 오믹스 유형의 독특한 특성으로 인해 상당한 도전과제를 제시합니다. 본 연구에서는 이러한 문제들을 해결하고, 그래프 컨볼루셔널 네트워크(GCN), 그래프 어텐션 네트워크(GAT), 그리고 그래프 트랜스포머 네트워크(GTN) 기반의 세 가지 그래프 신경망 구조를 사용하여 31가지 암 유형과 정상 조직을 분류하는 다중 오믹스(MO) 통합 방법을 평가하였습니다. 다중 오믹스 데이터의 고차원성을 해결하기 위해, 특성 선택을 위한 LASSO (최소 절대 축소 및 선택 연산자) 회귀를 사용하여 LASSO-MOGCN, LASSO-MOGAT, 그리고 LASSO-MOTGN 모델을 생성하였습니다. 네트워크의 그래프 구조는 유전자 상관 행렬과 단백질-단백질 상호작용 네트워크를 사용하여 메신저-RNA, 마이크로-RNA, 그리고 DNA 메틸화 데이터의 다중 오믹스 통합을 구현하였습니다. 이러한 데이터 통합은 네트워크가 생물학적 엔티티 간의 중요한 관계에 동적으로 집중할 수 있게 하여 모델 성능과 해석 가능성을 향상시킵니다.모델들 중에서 상관관계 기반 그래프 구조를 사용한 LASSO-MOGAT 모델이 최고 수준의 정확도(95.9%)를 달성하였으며, 정밀도, 재현율, 그리고 F1 스코어 측면에서 LASSO-MOGCN 및 LASSO-MOTGN 모델보다 우수한 성능을 보였습니다. 우리의 결과는 그래프 기반 아키텍처에서 다중 오믹스 데이터를 통합함으로써 암 분류 성능이 향상되며, 이는 암 생물학에 대한 더 나은 이해와 질병 진행에 대한 잠재적인 바이오마커 발굴에 기여할 수 있는 독특한 분자 패턴을 밝혀내는데 도움이 됨을 입증합니다.