MORE：用于生物医学数据分类与生物标志物识别的多组学数据驱动超图整合网络.
0. TL; DR
MORE (Multi-Omics hypeRgraph integration nEtwork)多组学数据整合方法通过广泛地研究模态内部和模态之间的信息相关性，构建了一个超边群（comprehensive hyperedge group）捕捉更高阶、更复杂的数据关联，利用一个多组学超图编码（Multi-Omics Hypergraph Encoding）模块来学习富集的、组学特异性的信息，最后通过一个多组学自注意力（Multi-Omics Self-Attention）机制自适应地聚合来自不同模态的有价值的相关性，进行表示学习并做出最终预测。
作者在包含mRNA表达、DNA甲基化和miRNA表达的阿尔茨海默病、浸润性乳腺癌和胶质母细胞瘤的数据集上评估了MORE的性能。结果显示，MORE在三个分类任务中的表现优于现有的SOTA方法。此外，与现有方法相比，MORE能够识别出更多种类的疾病相关生物标志物（biomarkers），凸显了其在生物医学数据挖掘和解释方面的优势。
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组、转录组、蛋白质组等多个层面同时审视生物系统的“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和复杂表型提供一个更全面、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。现有的许多方法，特别是基于图（graph）的方法，如MOGONET，虽然在多组学整合中取得了成功，但它们存在一个根本性的局限：普通的图只能表示节点之间的成对关系（pairwise correlations）。
在复杂的生物系统中，分子间的相互作用往往是“多对多”的，而非简单的“一对一”。例如，一个转录因子可能调控多个基因，一个基因的表达也可能受到多个miRNA的协同影响。普通图无法直接、有效地捕捉这种高阶的复杂关联。
此外，许多方法在整合时，要么忽略了不同组学模态之间的互补信息，要么平等地对待所有特征和所有模态，这与生物学现实不符。不同的特征和模态，在特定生物学问题中的重要性显然是不同的。
为了克服这些局限，作者提出了一个全新的思路：为什么不用能够表示更高阶关系的超图（hypergraph）来建模多组学数据呢？基于这一思想，作者开发了MORE。它旨在通过一个多组学超图整合网络，来更全面地捕捉和利用模态内部和模态之间的复杂关联，从而实现更精准的疾病分类和生物标志物发现。
2. MORE 方法
MORE的核心在于两个创新的模块：一个用于学习组学特异性知识的多组学超图编码（MOHE）模块，和一个用于自适应整合信息的多组学自注意力（MOSA）模块。
2.1 多组学超图构建与表示学习
一个超图 $G = (V, E, W)$ 由顶点集 $V$、超边集 $E$ 和超边权重对角矩阵 $W$ 组成。与普通图的边只能连接两个顶点不同，超图的超边（hyperedge）可以连接任意数量的顶点，从而能够表示更高阶的关系。
超图可以通过一个关联矩阵（incidence matrix） $H$ 来表示，其中 $H(v, e) = 1$ 表示顶点v属于超边e。
对于每一种组学模态（如mRNA, meth, miRNA），作者首先为其构建一个独立的超图。具体方法是：对于每个样本（顶点），计算其与所有其他样本的距离，并将其与k个最近邻连接起来，形成一条超边。通过这种方式，可以为每个组学模态得到一个关联矩阵 $H_{mRNA}, H_{meth}, H_{miRNA}$。
作者将所有组学模态的关联矩阵起来，形成一个全局的、融合了所有模态信息的总关联矩阵 $H$。
\[H = \text{Concat}[H_{mRNA}, H_{meth}, H_{miRNA}]\]这个$H$所代表的超图，其超边不仅包含了每个模态内部的样本相似性信息，还隐式地包含了跨模态的关联信息。
作者使用一个超图卷积层（hypergraph convolutional layer）来对每个组学模态的特征进行编码和学习。对于第l层，其更新规则为：
\[X^{(l+1)} = \sigma(D_v^{-1/2} H W D_e^{-1} H^T D_v^{-1/2} X^{(l)} \Theta^{(l)})\]这里的卷积核$D_v^{-1/2} H W D_e^{-1} H^T D_v^{-1/2}$，是基于融合后的全局超图结构计算的。这意味着，在对某一种组学数据（如mRNA）进行特征学习时，模型会同时考虑到来自所有组学模态的样本间的高阶相关性。通过这种方式，MOHE模块学习到的组学特异性表示，已经内在地融合了跨模态的互补信息。
2.2 多组学自注意力整合 (MOSA)
在通过MOHE模块为每个样本生成了组学特异性的特征表示后，MORE利用一个多组学自注意力（Multi-Omics Self-Attention, MOSA）模块，来对这些表示进行自适应的加权和整合。
不同的组学模态对最终分类任务的贡献是不同的，并且这种贡献可能因样本而异。自注意力机制能够动态地学习这些贡献权重。
对于一个样本j，将其来自不同组学的特征表示 $\hat{x}_j^{(i)}$ 拼接成一个特征矩阵 $\hat{X}_j$。通过三个独立的线性变换，从 $\hat{X}_j$ 中生成Query (Q), Key (K), 和 Value (V) 矩阵。
计算注意力矩阵 $A_j$，其中 $A_j(m, n)$ 反映了第m个组学对第n个组学的重要性。
\[A_j(m, n) = \frac{\exp(q_j^{(m)} \cdot (k_j^{(n)})^T / \sqrt{d_f})}{\sum_{n=1}^I \exp(q_j^{(m)} \cdot (k_j^{(n)})^T / \sqrt{d_f})}\]将注意力矩阵与Value矩阵相乘，得到经过自适应加权和聚合后的最终多组学表示 $\hat{V}_j$。
\[\hat{V}_j = A_j \cdot V_j^T\]这个最终表示 $\hat{V}_j$ 被送入一个线性的分类层，进行最终的疾病分类或亚型预测。
2.3 两阶段训练策略
为了提升模型的性能和稳定性，MORE采用了一个两阶段训练策略：
- 第一阶段： 独立地、有监督地训练每个组学的MOHE模块，使其具备初步的分类能力。
- 第二阶段： 在预训练好的MOHE模块基础上，联合训练整个网络（包括MOHE和MOSA），进行端到端的微调。
3. 实验分析
作者在三个真实的癌症和神经退行性疾病数据集（ROSMAP, BRCA, GBM）上，对MORE的性能进行了全面的评估，并与MOGONET, MOGLAM, MOADLN等多种SOTA方法进行了比较。
3.1 实验一：在完整多组学数据上的分类性能
在所有三个数据集的分类任务中，MORE的性能均优于所有其他的机器学习和深度学习方法。例如，在ROSMAP数据集上，MORE的AUC达到了0.903，比次优的MOADLN高出1.7%。在BRCA数据集上，其ACC达到了83.5%，同样是所有方法中最高的。即使是在样本量较小的GBM数据集上，MORE依然取得了最佳性能，这凸显了其强大的泛化能力和鲁棒性。
3.2 实验二：消融研究
作者通过移除MOHE或MOSA模块，来验证这两个核心组件的有效性。
结果清晰地表明，完整的MORE模型性能远超任何一个残缺的版本。只使用超图编码（MOHE）的模型，其性能优于只使用自注意力（MOSA）的模型，这凸显了MOHE模块在利用跨模态相关性、学习高质量组学特异性表示方面的关键作用。
在MOHE的基础上再加入MOSA，性能可以得到进一步提升，这证明了MOSA在自适应地聚合信息方面的有效性。这个实验有力地证明了，MOHE和MOSA两个模块在MORE中缺一不可，并且能够协同工作以达到最佳性能。
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GBM数据集中，mRNA+miRNA的组合性能优于mRNA+meth的组合，这暗示了在特定疾病中，某些组学组合可能比其他组合包含更丰富的信息。
3.4 实验四：超参数与训练策略分析
作者发现，超图构建中的近邻数k对模型性能有一定影响。对于类别较少的二分类任务（如ROSMAP），较小的k值（k=2）表现更佳；而对于类别更多的多分类任务（如BRCA），则需要稍大的k值（k=3）。
作者比较了两阶段训练策略和端到端训练策略。结果显示，两阶段训练的性能显著优于端到端训练。这表明，先独立地预训练组学特异性的MOHE模块，能够为后续的联合优化提供一个更好的起点。
3.5 实验五：生物标志物识别
除了卓越的分类性能，MORE还展现了强大的生物学可解释性和生物标志物（biomarkers）发现能力。作者通过在输入中逐一遮盖掉某个特征，并观察模型性能的下降程度，来评估每个特征的重要性。
在ROSMAP数据集中，MORE识别出的mRNA标志物（如KIF5A, CXCR4）、甲基化标志物（如TMC4, FGD4）和miRNA标志物（如hsa-miR-33a），都已被先前的研究证实与阿尔茨海默病的病理过程高度相关。
在BRCA数据集中，MORE识别出的标志物（如SOX11, TFF3, hsa-mir-205等），同样是已知的、与乳腺癌发生发展和亚型分类密切相关的关键分子。
这些结果有力地证明，MORE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。
