TF-DWGNet: a directed weighted graph neural network with tensor fusion for multi-omics cancer subtype classification.
Résumé
Cet article présente TF-DWGNet, un nouveau cadre de réseau neuronal graphique conçu pour la classification des sous-types de cancer à partir de données multi-omiques. Le modèle introduit deux innovations clés : la construction de graphes dirigés pondérés spécifiques à chaque modalité omique et un mécanisme de fusion tensorielle pour capturer les interactions unimodales, bimodales et trimodales. Les expériences sur trois jeux de données réels de cancer montrent que TF-DWGNet surpasse les méthodes existantes. De plus, il fournit des informations interprétables sur les contributions des modalités et l'importance des caractéristiques.
Analyse
L'intégration et l'analyse des données multi-omiques sont essentielles pour une classification précise des sous-types de cancer, ce qui est fondamental pour la médecine personnalisée. TF-DWGNet représente une avancée significative en offrant une approche plus robuste et interprétable pour gérer la complexité de ces données hétérogènes. Sa capacité à identifier les contributions spécifiques des modalités et l'importance des caractéristiques pourrait améliorer notre compréhension des mécanismes sous-jacents du cancer et potentiellement conduire à de meilleurs diagnostics et à des stratégies thérapeutiques plus ciblées.