IGCN：多组学整合中用于患者层面洞察和生物标志物发掘的图卷积网络.
0. TL; DR
IGCN (Integrative Graph Convolutional Networks)是一种用于癌症分子亚型和生物医学分类应用的整合性神经网络方法。IGCN基于图卷积网络（GCN），能够同时利用样本的组学特征和样本间的相似性网络，来学习更有效的特征表示。在组学层面，为每一个样本（病人）都学习一组独有的注意力系数；在特征层面的注意力模块能够识别出对每个病人的预测贡献最大的关键特征（生物标志物）。
作者在不同的癌症亚型和生物医学分类任务中，将IGCN与其他SOTA方法进行了比较。实验结果表明，IGCN不仅在分类性能上优于对手，还能够从多种组学数据中精准地识别出重要的生物标志物。
1. 背景介绍
整合多组学数据（如mRNA、DNA甲基化、miRNA）来对癌症进行亚型分类，已经成为精准医疗的核心任务之一。近年来，基于深度学习，特别是图神经网络（GNN）的方法，如MOGONET、SUPREME和MOGAT等，在这一领域取得了显著的成功。
这些方法通过为每种组学数据构建样本相似性网络，并利用GNN强大的图学习能力，来捕捉复杂的生物学信息。然而，它们大多存在两个共同的局限性：
- 一视同仁的整合策略： 现有的方法在融合不同组学的信息时，往往采用一种“全局”的、对所有样本都相同的策略。但忽略了一个关键事实：不同组学的重要性，可能因人而异。对于某个病人，其疾病状态可能主要由表观遗传的改变驱动；而对于另一个病人，则可能是转录组的异常起主导作用。
- 缺乏可解释性：许多整合方法虽然能给出精准的预测，但却无法告诉我们模型为什么会做出这样的预测？ 对于一个特定的病人，是哪些组学、哪些具体的分子特征决定了其疾病亚型？这种可解释性的缺失，极大地限制了模型在临床决策和生物学发现中的应用。
为了打破这些局限，作者提出了IGCN，通过一个个性化的、双重的注意力机制，在整合多组学数据的同时，为每个病人的预测提供两个层面的洞察：哪个组学更重要？ 以及 哪个特征更关键？
2. IGCN 方法
IGCN的框架核心是一个多模块的图卷积网络，它通过一个独特的个性化注意力机制，实现了对多组学数据的可解释性整合。
https://pic1.imgdb.cn/item/6993d9b5c15d9f0177905b80.png
2.1 组学特异性学习：基于GCN的特征提取
与许多GNN方法类似，IGCN的第一步是为每一种组学数据独立地学习其特征表示。
对于第i种组学，作者首先构建一个加权样本相似性网络。网络中的每个节点代表一个样本（如一个病人），边权重由样本间特征的余弦相似度定义。
为了使网络稀疏化，作者采用了一种基于平均度（average degree）的阈值选择策略，而非传统的k近邻（kNN）。这使得图的结构更灵活，能更好地保留全局拓扑。
在将组学数据输入GCN之前，IGCN引入了一个特征排序模块（feature ranking module）。对于同一个组学，不同的特征对不同样本的贡献是不同的。作者为每个样本的每个特征 $x_{i}^{(j,k)}$，都通过一个微型的MLP网络，学习一个注意力分数 $r_i^{(j,k)}$。
\[r_i^{(j,k)} = \frac{\exp(\sigma(\sigma(x_i^{(j,k)} \tilde{W}_i) \hat{W}_i + \hat{b}_i))}{\sum_{k=1}^{d_i} \exp(\sigma(\sigma(x_i^{(j,k)} \tilde{W}_i) \hat{W}_i + \hat{b}_i))}\]这个个性化的特征注意力分数，被用来加权原始的特征矩阵，然后再输入到GCN中。
IGCN使用一个单层的GraphSAGE网络作为其GCN模块。GraphSAGE通过一个聚合-更新过程，为每个节点学习一个融合了其邻域信息的嵌入 $H_i$。
\[h_{v,o}^k = \sigma \left( W_{n,o} \cdot \text{CONCAT} \left( h_{v,o}^{k-1}, \max_{u \in N(v,o)}(\sigma(W_{s,o}h_{u,o}^{k-1} + b_{s,o})) \right) + b_{n,o} \right)\]2.2 多组学整合：组学级个性化注意力
在得到每个组学的节点嵌入 $H_i$ 后，IGCN使用另一个个性化注意力模块来对它们进行加权融合。
不同的组学模态对不同样本的预测贡献是不同的。对于每个样本，作者将其来自不同组学的嵌入 $h_i^n$ 输入到一个共享的注意力网络中，为每种组学计算一个专属的注意力系数 $c_i^n$。
\[c_i^n = \frac{\exp(\sigma(h_i^n W_a + b))}{\sum_{j=1}^p \exp(\sigma(h_j^n W_a + b))}\]样本的最终整合表示 $Z$，是其所有组学嵌入的加权和，权重即为上述计算出的个性化注意力系数。
\[Z = \sum_{i=1}^p c_i^! \odot H_i\]通过这种方式，模型能够为每个病人量身定制一个最适合它的组学融合方案。
2.3 模型优化与预测
最终的整合表示 $Z$ 被送入一个MLP分类器，进行最终的疾病亚型预测。
模型的训练目标是最小化一个联合损失函数，它包含两部分：
- NT-Xent损失 ($L_{NT-Xent}$): 这是一种对比损失（contrastive loss），应用于每个组学特异性的GCN模块。它通过拉近同类样本、推开异类样本，来学习更具区分度的组学内表示。
- 交叉熵损失 ($L_{CE}$): 用于监督最终分类器的训练。
3. 实验分析
作者在四个涵盖了癌症（BRCA, GBM）和神经退行性疾病（ROSMAP, ADNI）的真实多组学数据集上，对IGCN的性能进行了全面的评估，并与多种SOTA的GNN方法（如MOGONET, SUPREME, HyperTMO）以及传统机器学习方法进行了比较。
3.1 实验一：分类性能比较
在所有四个数据集上，IGCN的分类性能（以Macro F1和MCC为主要指标）均全面、显著地优于所有其他12种比较方法。例如，在ADNI数据集上，IGCN的Macro F1达到了0.840，而次优的RGCN仅为0.806。在TCGA-GBM数据集上，ACC更是达到了0.903。
箱线图和Wilcoxon秩和检验的结果进一步证实，IGCN的性能提升在统计上是显著的。
这些结果有力地证明，IGCN通过其独特的个性化注意力和图学习框架，能够比现有方法更有效地整合多组学信息，实现更精准的疾病分类。
3.2 实验二：模型可解释性
作者通过可视化模型的注意力权重，来展示其强大的可解释性。
作者展示了不同乳腺癌亚型病人对不同组学数据的个性化依赖。mRNA对Basal-like, HER2-enriched和Luminal A亚型的预测贡献最大，这与PAM50亚型主要基于基因表达定义的背景相符。
一个有趣的发现是，对于Normal-like亚型，miRNA的贡献最大；而对于Luminal B亚型，DNA甲基化的重要性则略高于mRNA。
在AD分类任务中，mRNA的贡献在AD患者和正常对照组中都占主导地位，但对于AD患者，其重要性略高于正常对照。
3.3 实验三：生物标志物发现
作者通过对模型识别出的高注意力特征进行文献挖掘和功能富集分析，来验证其发现生物标志物（biomarkers）的能力。
IGCN识别出的跨亚型共享的标志物（如ENO1, TMBIM6）和亚型特异性的标志物（如Basal-like的FOXC1），都与已知的乳腺癌生物学机制高度吻合。作者还识别出了FOXA1, SFRP1等多个PAM50基因列表中的成员，直接验证了模型的准确性。
IGCN为AD识别出的top标志物，如mRNA中的CDKN1A, VEGFA，miRNA中的hsa-let-7b, hsa-miR-29a，以及甲基化相关基因，都已被大量文献报道与AD的病理过程（如Aβ累积、神经炎症、细胞周期失调等）密切相关。
3.4 实验四：消融研究
作者通过移除注意力机制或NT-Xent损失，来验证它们的贡献。结果显示，移除任何一个模块都会导致模型性能的显著下降。这证明了个性化注意力机制和对比学习损失对于IGCN的卓越性能都是不可或缺的。
