GraphPath: un modelo de atención gráfica para la estratificación molecular con interpretabilidad basada en la red de interacción vía-vía

Resumen Motivación Estudiar la heterogeneidad molecular del cáncer es esencial para lograr una terapia personalizada. Al mismo tiempo, entender los procesos biológicos que impulsan el desarrollo del cáncer puede llevar a la identificación de objetivos terapéuticos valiosos. Por lo tanto, lograr predicciones clínicas precisas e interpretables requiere una atención primordial a la caracterización exhaustiva de los pacientes tanto a nivel molecular como de vías biológicas. Resultados Aquí, presentamos GraphPath, una red neuronal gráfica impulsada por conocimiento biológico con un mecanismo de auto-atención de múltiples cabezales que implementa la red de interacción vía-vía. Entrenamos GraphPath para clasificar el estado del cáncer de pacientes con cáncer de próstata basado en su perfil multi-ómicas. Los resultados experimentales muestran que nuestro método supera a P-NET y otros métodos de referencia. Además, se utilizan dos cohortes externas para validar que el modelo puede generalizarse a muestras no vistas con un rendimiento predictivo adecuado. Reducimos la dimensionalidad de las incrustaciones de vías latentes y visualizamos las clases correspondientes para demostrar aún más el rendimiento óptimo del modelo. Además, dado que las predicciones de GraphPath son interpretables, identificamos vías asociadas al cáncer que contribuyen significativamente a las predicciones del modelo. Un modelo robusto e interpretable tiene el potencial de mejorar enormemente nuestra comprensión de los mecanismos biológicos del cáncer y acelerar el desarrollo de terapias dirigidas. Disponibilidad e implementación https://github.com/amazingma/GraphPath.