ترجمه فارسی مقاله شبکه توجه گراف ناهمگن، ادغام چندبخشی سرطان را بهبود می‌بخشد

چکیده

The increase in high-dimensional multiomics data demands advanced integration models to capture the complexity of human diseases. Graph-based deep learning integration models, despite their promise, struggle with small patient cohorts and high-dimensional features, often applying independent feature selection without modeling relationships among omics. Furthermore, conventional graph-based omics models focus on homogeneous graphs, lacking multiple types of nodes and edges to capture diverse structures. We introduce a Heterogeneous Graph ATtention network for omics integration (HeteroGATomics) to improve cancer diagnosis. HeteroGATomics performs joint feature selection through a multi-agent system, creating dedicated networks of feature and patient similarity for each omic modality. These networks are then combined into one heterogeneous graph for learning holistic omic-specific representations and integrating predictions across modalities. Experiments on three cancer multiomics datasets demonstrate HeteroGATomics’ superior performance in cancer diagnosis. Moreover, HeteroGATomics enhances interpretability by identifying important biomarkers contributing to the diagnosis outcomes.

چکیده به فارسی (ترجمه ماشینی)

افزایش در داده های چندمیک با ابعاد بالا نیاز به مدل های ادغام پیشرفته برای ضبط پیچیدگی بیماری های انسانی دارد.مدلهای ادغام عمیق یادگیری مبتنی بر نمودار ، با وجود وعده های خود ، مبارزه با گروه های کوچک بیمار و ویژگی های با ابعاد بالا ، که اغلب از انتخاب ویژگی های مستقل و بدون مدل سازی روابط بین OMIC استفاده می کنند.علاوه بر این ، مدل های OMICS مبتنی بر نمودار معمولی بر روی نمودارهای همگن تمرکز می کنند ، که فاقد انواع مختلفی از گره ها و لبه ها برای ضبط ساختارهای متنوع هستند.ما یک شبکه توجه نمودار ناهمگن را برای ادغام OMICS (ناهمگونی) برای بهبود تشخیص سرطان معرفی می کنیم.Negarogatomics انتخاب ویژگی مشترک را از طریق یک سیستم چند عامل انجام می دهد و شبکه های اختصاصی از ویژگی و شباهت بیمار را برای هر روش OMIC ایجاد می کند.این شبکه ها سپس در یک نمودار ناهمگن برای یادگیری بازنمایی های خاص OMIC و ادغام پیش بینی ها در روش ها ترکیب می شوند.آزمایش در مورد سه مجموعه داده چندمیک سرطان ، عملکرد برتر ناهمگونی در تشخیص سرطان را نشان می دهد.علاوه بر این ، ناهمگونی با شناسایی نشانگرهای مهم مهم در نتایج تشخیص ، تفسیر را تقویت می کند.