• 首页
  • 实验室概况
    • 实验室介绍
    • 实验室管理
    • 学术委员会
    • 实验室组成
    • 规章制度
  • 科学研究
    • 研究方向
    • 研究进展
    • 学术论文
    • 科研项目
  • 研究队伍
    • 序列分析
    • 生物网络分析
    • 医学影像分析
    • 生物数据挖掘
  • 研究生教育
    • 招生指南
    • 导师信息
    • 活动展示
  • 合作交流
    • 学术会议
    • 学术报告
  • 开放课题
    • 通知
    • 申请指南
    • 管理办法
    • 经费细则
    • 申请表格
  • 新闻中心
    • 资讯动态
    • 新闻公告
  • 开源软件
  • 联系我们
当前位置: 首页 >> 科学研究 >> 研究进展 >> 正文

GraphPath: 一个基于通路相互作用网络的具有可解释性的图注意力模型用于分子分层

2024年03月27日 14:42  点击:[]

    中南大学计算机学院、生物信息学湖南省重点实验室成员马腾博士在分子肿瘤学领域取得了重要研究成果。该研究成果以“GraphPath: a graph attention model for molecular stratification with interpretability based on the pathway-pathway interaction network”为题,在国际生物信息学权威期刊《Bioinformatics》(IF=5.8)上在线发表。


 

https://doi.org/10.1093/bioinformatics/btae165

    研究癌症的分子异质性对于实现个性化治疗至关重要。同时,了解驱动癌症发展的生物学过程可以确定有价值的治疗靶点。因此,要实现准确和可解释的临床预测,需要高度重视在分子和生物通路水平上对患者进行表征。近年来,已经提出了几种基于通路的深度学习模型来整合分析患者的多组学数据,然而这些方法只是将通路视为基因的集合,并没有考虑到通路之间的相互作用关系。本研究提出一种生物知识驱动的多头自注意力图神经网络模型,模型结构中嵌入了通路-通路相互作用网络,简写作GraphPath。基准数据集上的实验结果证明了该方法在分子水平对患者的癌症状态进行分类的优异性能。同时我们使用两个独立测试集验证了模型在未见的数据集上依然具有足够的预测准确性。此外,通过可视化通路的嵌入表示表明模型学到了有意义的嵌入特征。由于GraphPath的预测过程是可解释的,因此我们鉴定出了和目标癌症相关的通路和基因。这种稳健且可解释的模型有希望增强我们对癌症分子生物学机制的理解,并加速靶向治疗的发展。

 

    王建新教授团队长期致力于计算机算法与优化、生物信息学、医学影像分析、医疗数据挖掘等方面研究。该研究工作得到国家重点研发计划、国家自然科学基金、浙江两化融合联合基金、长沙市科技重大专项、111计划等基金支持。

上一条:​DDAffinity: 利用蛋白质三维结构预测多点突变的结合亲和力变化
下一条:IsoFrog:基于可逆跳跃马尔可夫链蒙特卡罗特征选择的剪接异构体功能预测方法

【关闭】

版权所有 生物信息学湖南省重点实验室 Copyright ©2020 http://bio.csu.edu.cn/

湖南省长沙市岳麓区麓山南路932号, 410083 电话/传真:(0731)- 88830212 电子邮件:hunan_bio@csu.edu.cn