MOGONET使用图卷积网络整合多组学数据进行病人分类与生物标志物识别.

0. TL; DR

MOGONET (Multi-Omics Graph cOnvolutional NETworks) 是专为生物医学分类任务设计的多组学整合方法，巧妙地结合了组学特异性学习（omics-specific learning）和跨组学相关性学习（cross-omics correlation learning），以实现高效的多组学数据分类。

MOGONET为每一种组学数据（如mRNA、DNA甲基化、miRNA）构建一个独立的图卷积网络，同时利用样本的特征信息和样本间的相似性网络结构，从而学习到更具区分度的组学特异性表征。MOGONET引入了一个视角相关性发现网络（View Correlation Discovery Network, VCDN）将这些概率向量组合成一个跨组学发现张量（cross-omics discovery tensor），并从中学习不同组学在标签空间中的高阶相关性，从而做出更精准的最终预测。

作者在多种生物医学分类应用中（包括阿尔茨海默病、胶质母细胞瘤等），使用mRNA、DNA甲基化和miRNA数据，证明了MOGONET的性能优于其他SOTA的监督式多组学整合分析方法。此外，MOGONET还能够从不同组学数据类型中，识别出与所研究的生物医学问题相关的重要生物标志物。

1. 背景介绍

随着高通量测序技术的发展，我们进入了一个可以从基因表达（mRNA）、DNA甲基化（meth）、miRNA表达等多个分子层面同时审视生物样本的多组学（multi-omics）时代。整合这些异构的数据，无疑能为我们理解疾病机制、实现精准医疗提供一个更全面、更深刻的视角。

然而，如何有效地整合这些数据，仍然是一个巨大的挑战。现有的监督式整合方法大致可以分为几类：

作者认为，在生物学数据中，样本间的相似性本身就蕴含着宝贵的信息。例如，具有相似分子特征的病人，可能属于同一种疾病亚型。如何将这种样本间的结构信息融入到模型的学习过程中呢？

图卷积网络（Graph Convolutional Network, GCN）为我们提供了答案。GCN能够同时在节点的特征和图的拓扑结构上进行学习。

受此启发，作者提出了MOGONET。它旨在将GCN的强大能力引入到多组学整合领域，通过为每个组学构建一个样本相似性网络，并利用GCN在其上进行学习，从而实现更高效、更精准的组学特异性特征提取与最终的整合分类。

2. MOGONET 方法

MOGONET的框架由两大核心组件构成：用于组学特异性学习的图卷积网络（GCN），和用于多组学整合的视角相关性发现网络（VCDN）。

2.1 组学特异性学习：图卷积网络 (GCNs)

MOGONET首先为每一种组学数据（如mRNA、meth、miRNA）独立地训练一个GCN。

对于第$i$种组学，作者首先构建一个加权样本相似性网络（weighted sample similarity network）。网络中的每个节点代表一个样本（如一个病人）。节点$j$和节点$k$之间的边权重 $A_{jk}$，由它们在该组学上的特征向量的余弦相似度来定义。

为了使网络稀疏化并保留最重要的连接，只有相似度大于某个阈值 $\epsilon$ 的边才会被保留。

\[A_{ij} = \begin{cases} s(x_i, x_j), & \text{if } i \ne j \text{ and } s(x_i, x_j) \ge \epsilon \\ 0, & \text{otherwise} \end{cases}\]

GCN的输入包含两部分：一个特征矩阵 $X$（每个节点/样本的组学特征）和一个邻接矩阵 $A$（描述样本间的相似性网络）。

GCN通过堆叠多个图卷积层来进行学习。每个卷积层的核心操作是，一个节点的特征表示，会被其邻居节点的特征表示所更新。其传播规则可以表示为：

\[H^{(l+1)} = \sigma(\tilde{A} H^{(l)} W^{(l)})\]

其中，$H^{(l)}$ 是第$i$层的节点表示，$W^{(l)}$ 是可学习的权重矩阵，$\sigma(\cdot)$ 是非线性激活函数，而 $\tilde{A}$ 是经过归一化处理的邻接矩阵，即 $\tilde{A} = \hat{D}^{-1/2} \hat{A} \hat{D}^{-1/2}$，其中 $\hat{A} = A+I$。

通过这种方式，GCN能够同时学习样本自身的特征和其邻域的结构信息。

对于每种组学，作者训练一个多层的GCN，其最终的输出是一个类别概率分布向量 $\hat{y}_j^{(i)}$，代表了基于第$i$种组学，样本$j$属于各个类别的概率。每个GCN都通过最小化其预测与真实标签之间的交叉熵损失来进行训练。

2.2 多组学整合：视角相关性发现网络 (VCDN)

在得到每个组学的初步预测后，MOGONET使用一个VCDN模块来对它们进行智能的整合，以做出最终的联合预测。

简单地拼接或平均不同组学的预测概率，会忽略它们在标签空间中可能存在的复杂相关性。例如，mRNA预测为A类的概率，可能与miRNA预测为B类的概率高度相关。VCDN旨在捕捉这种高阶的跨组学标签相关性。

对于一个样本$j$，作者不直接使用其来自不同组学的预测向量 $\hat{y}_j^{(1)}, \hat{y}_j^{(2)}, \hat{y}_j^{(3)}$，而是通过计算它们的外积来构建一个跨组学发现张量 $C_j$。

\[C_{j, a_1 a_2 a_3} = \hat{y}_{j, a_1}^{(1)} \hat{y}_{j, a_2}^{(2)} \hat{y}_{j, a_3}^{(3)}\]

这个张量 $C_j$ 的每个元素，都捕捉了三种组学在不同类别上预测概率的乘积，从而蕴含了丰富的跨组学相关性信息。

将张量 $C_j$ 展平成一个长向量 $c_j$，并将其输入到一个全连接网络 VCDN($\cdot$) 中，得到最终的、整合了所有组学信息的类别预测。VCDN同样通过最小化交叉熵损失进行训练。

2.3 端到端训练

MOGONET是一个端到端的模型。其总损失函数是所有组学特异性GCN的损失和VCDN的损失的加权和。

\[L = \sum_{i=1}^3 L_{GCN}^{(i)} + \gamma L_{VCDN}\]

在训练时，作者采用一种交替优化的策略，即先固定VCDN更新各个GCN，再固定GCN更新VCDN，直至模型收敛。

3. 实验分析

作者在四个来自TCGA和ROSMAP的、覆盖了不同疾病类型的真实多组学数据集（ROSMAP, LGG, KIPAN, BRCA）上，对MOGONET的性能进行了全面的评估，并与九种现有的监督式整合算法进行了比较。

3.1 实验一：与SOTA方法的性能比较

这些结果一致地表明，无论是在二分类还是多分类任务中，MOGONET的性能都稳定地优于传统的机器学习方法（如SVM, RF）和基于NN或PLSDA的SOTA多组学整合方法。

3.2 实验二：消融研究

作者通过比较MOGONET的三个变体（NN_NN, NN_VCDN, MOGONET_NN），系统地验证了GCN和VCDN两个核心组件的有效性(表2, 3, 4的后四行)。

这个实验有力地证明了，GCN和VCDN在MOGONET中相辅相成，缺一不可。

3.3 实验三：不同组学组合的影响

作者通过只使用单种或两种组学数据进行训练，来探究多组学整合的必要性。

在所有三个数据集中，整合三种组学数据的性能，始终优于整合两种或只使用一种组学数据的性能。这直接证明了多组学整合对于提升疾病分类准确性的重要价值。

有趣的是，在BRCA数据集中，仅使用mRNA数据的GCN模型，其性能甚至超过了一些使用三种组学数据的基线整合方法。这再次凸显了MOGONET中GCN模块强大的特征学习能力。

3.4 实验四：超参数k的影响

作者探究了在构建样本相似性网络时，近邻数$k$对模型性能的影响。

结果显示，尽管性能随$k$值有轻微波动，但MOGONET在很宽的$k$值范围内，其性能都稳定地优于最好的基线方法。这证明了MOGONET对这个超参数具有良好的鲁棒性。

3.5 实验五：生物标志物识别

除了卓越的分类性能，MOGONET还展现了强大的生物学可解释性和生物标志物发现能力。

这些结果有力地证明，MOGONET不仅是一个性能强大的“黑箱”分类器，更是一个能够挖掘出具有真实生物学意义的关键分子的、可解释的生物信息学工具。