MOGAT: Un marco de integración multi-ómi ca utilizando redes de atención gráfica para la predicción de subtipos de cáncer

La predicción precisa de subtipos de cáncer es crucial para la medicina personalizada. La integración de datos multi-ómicos representa un enfoque viable para comprender la intrincada fisiopatología de enfermedades complejas como el cáncer. Las técnicas convencionales de aprendizaje automático no son ideales para analizar las complejas interrelaciones entre diferentes categorías de datos ómicos. Se han sugerido numerosos modelos utilizando aprendizaje basado en grafos para descubrir representaciones ocultas y formaciones de redes únicas para distintos tipos de datos ómicos con el fin de mejorar las predicciones sobre cánceres y caracterizar los perfiles de los pacientes, entre otras aplicaciones destinadas a mejorar la gestión de enfermedades en la investigación médica. Los enfoques existentes de integración multi-ómi ca basados en grafos y de última generación para la predicción de subtipos de cáncer, MOGONET y SUPREME, utilizan una red neuronal convolucional gráfica (GCN), que no considera el nivel de importancia de los nodos vecinos sobre un nodo particular. Para abordar esta brecha, planteamos la hipótesis de que prestar atención a cada vecino o proporcionar pesos apropiados a los vecinos según su importancia podría mejorar la predicción de subtipos de cáncer. La opción natural para determinar la importancia de cada vecino de un nodo en un grafo es explorar la red de atención gráfica (GAT). Aquí, proponemos MOGAT, un nuevo enfoque de integración multi-ómica, aprovechando modelos GAT que incorporan aprendizaje basado en grafos con un mecanismo de atención. MOGAT utiliza un mecanismo de atención de múltiples cabezas para extraer información adecuada para una muestra específica al asignar coeficientes de atención únicos a las muestras vecinas. Según nuestro conocimiento, nuestro grupo es el primero en explorar GAT en la integración multi-ómi ca para la predicción de subtipos de cáncer. Para evaluar el rendimiento de MOGAT en la predicción de subtipos de cáncer, exploramos dos conjuntos de datos de cáncer de mama de TCGA y METABRIC. Nuestro enfoque propuesto, MOGAT, supera a MOGONET en un 32% a 46% y a SUPREME en un 2% a 16% en la predicción de subtipos de cáncer en diferentes escenarios, apoyando nuestra hipótesis. Nuestros resultados también mostraron que las incrustaciones GAT proporcionan un mejor pronóstico al diferenciar el grupo de alto riesgo del grupo de bajo riesgo que las características brutas.