Integration of multi-omics data using adaptive graph learning and attention mechanism for patient classification and biomarker identification

https://www.sciencedirect.com/science/article/abs/pii/S0010482523007680

1. 本研究の学術的背景，研究課題の核心をなす学術的「問い」は？

• 高スループットシーケンシング技術と多オミックスデータの急速な発展と蓄積により、多オミックス視点から人間の疾患のより包括的な理解が導入されています。本研究での学術的問いは、多オミックスデータのグラフの表現方法において、従来の固定グラフによる制限を回避し、より優れた分類予測の能力を持つ新しい手法を提案することです。

1. 本研究の目的及び学術的独自性と創造性は？

• 本研究では、統合的な多オミックスデータから疾患の分類予測を行うための方法である「MOGLAM」を提案しています。MOGLAMは、動的グラフ畳み込みネットワークによって、重要な生体マーカーを自動的に認識し、異なるオミックスの組み込み表現を自動的に重み付けすることができるため、より優れた疾患予測の能力を持ちます。

1. 本研究の着想に至った経緯や、関連する国内外の研究動向と本研究の位置づけは？

• 多オミックスデータをグラフベースの方法で処理する取り組みが進んでおり、本研究ではより柔軟な方法でより優れた分類予測を行う「MOGLAM」を提案しています。

1. 本研究で何をどのように、どこまで明らかにした？

• 本研究では、疾患分類予測におけるMOGLAMの有用性を検証しました。動的グラフ畳み込みネットワークと特徴選択を組み合わせることで、MOGLAMは異なるオミックスデータから重要な生物マーカーを自動的に認識して分類予測を行うことができます。実験結果は、現在の最先端の多オミックス統合手法に比べてMOGLAMが優れた性能を発揮することを示しました。

1. 本研究の有効性はどのように検証した？

• 実験において、多オミックスデータから得られる生物マーカーの重要性を識別するMOGLAMの有用性を明らかにしました。また、現在の最先端の多オミックスデータ統合技術よりも優れた分類予測性能を示したことで、MOGLAMの有用性を検証しました。