MORE：一种基于多组学数据驱动的超图集成网络，用于生物医学数据分类和生物标志物识别

高通量测序方法为基于组学的生物医学研究带来了巨大的变化。整合各种组学数据可能有助于识别不同数据模态间的一些关联，从而提高我们对底层生物机制和复杂性的理解。然而，目前大多数基于图的特征提取方法忽视了模态间的互补信息和关联。此外，这些方法往往将每种组学模态的特征视为相同的，这与当前的生物学原则相矛盾。为了解决这些挑战，我们提出了一种名为多组学超图集成网络（MORE）的新方法来整合多组学数据。MORE最初通过广泛调查模态内和模态间的信息关联构建一个全面的超边组。随后，采用多组学超图编码模块学习丰富的组学特定信息。之后，利用多组学自注意机制自适应聚合不同模态间有价值的关联以进行表示学习并作出最终预测。我们在以信使RNA（mRNA）表达、脱氧核糖核酸（DNA）甲基化和微小RNA（miRNA）表达为特征的数据集上评估了MORE在阿尔茨海默病、侵袭性乳腺癌和胶质母细胞瘤的分类任务中的表现。三个分类任务的结果凸显了MORE与当前最先进（SOTA）方法相比的竞争优势。此外，结果还表明，MORE能够识别更多种类的与疾病相关的生物标志物，相较于现有方法，突显了其在生物医学数据挖掘和解释方面的优势。总体而言，MORE可以被视为促进多组学分析和新型生物标志物发现的有价值工具。我们的代码和数据可以在 https://github.com/Wangyuhanxx/MORE 上公开访问。