MOSGAT：结合特异性感知的GAT和跨模态注意力，以整合多组学数据用于疾病诊断

随着测序方法的发展，大量多组学数据的获取为理解潜在疾病的复杂生物机制以及实现复杂疾病的精确诊断和治疗提供了重要的机遇。然而，随着多样的组学数据的整合，在每个组学模态中提取样本特异性特征并探索不同模态之间的潜在相关性，同时避免相互干扰，成为多组学数据整合研究中的一个关键挑战。在本研究的背景下，我们提出了一个将特异性感知的GAT和跨模态注意力结合的框架，以整合不同的组学数据（MOSGAT）。具体而言，我们为每种组学模态数据设计了定制的图注意力网络（GAT），以对样本进行特征提取。此外，结合了一种自适应置信注意力加权技术，以提高对提取特征的置信度。最后，基于多头自注意力设计了一种跨模态注意力机制，深入挖掘不同组学数据之间的潜在相关性。在四个公开可用的医学数据集上进行了广泛的实验，突出显示了提出的框架相较于最先进的方法，特别是在分类任务领域的优越性。实验结果强调了MOSGAT在特征提取和探索潜在组间关联方面的有效性。