DeepOmix: Un marco de aprendizaje profundo multi-ómmico escalable e interpretable y su aplicación en el análisis de supervivencia en cáncer

El análisis integrador de datos multi-ómicos puede aclarar valiosos conocimientos sobre complejos mecanismos moleculares para varias enfermedades. Sin embargo, debido a sus diferentes modalidades y alta dimensión, utilizar e integrar diferentes tipos de datos ómicos enfrenta grandes desafíos. Existe una necesidad urgente de desarrollar un método potente para mejorar la predicción de supervivencia y detectar módulos de genes funcionales a partir de datos multi-ómicos. Para abordar estos problemas, presentamos DeepOmix (un marco de aprendizaje profundo multi-ómico escalable e interpretable y su aplicación en el análisis de supervivencia en cáncer), un método flexible, escalable e interpretable para extraer relaciones entre el tiempo de supervivencia clínica y los datos multi-ómicos basado en un marco de aprendizaje profundo. DeepOmix permite la combinación no lineal de variables de diferentes conjuntos de datos ómicos e incorpora información biológica previa definida por los usuarios (como rutas de señalización y redes de tejido). Experimentos de referencia demuestran que DeepOmix supera a otros cinco métodos de predicción de vanguardia. Además, se toma el Glioma de Grado Bajo (LGG) como el estudio de caso para realizar la predicción de pronóstico e ilustrar los nodos de módulo funcional que están asociados con el resultado pronóstico en el modelo de predicción.