DOI: https://doi.org/10.1038/s41598-026-36128-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41565905
تاريخ النشر: 2026-01-21
المؤلف: Manas Kumar Swain وآخرون
الموضوع الرئيسي: تعبير الجينات وتصنيف السرطان
نظرة عامة
تقدم البحث إطار عمل هجين من TabNet-CNN مصمم لتعزيز تصنيف مجموعات البيانات الجينومية عالية الأبعاد، التي غالبًا ما تعاني من التكرار والضوضاء والندرة. تكافح نماذج التعلم العميق التقليدية مع هذه التحديات، خاصة في الحفاظ على القابلية للتفسير والاستقرار عبر الهياكل الجينومية المتنوعة. يستفيد الإطار المقترح من آلية الانتباه من TabNet لتحديد أهم الميزات الجينومية، بينما تسهل الطبقات التلافيفية تحسين التفاعلات المحلية للميزات، مما يؤدي إلى حدود قرار أكثر دقة. تشير التقييمات التجريبية عبر مجموعات بيانات جينومية متنوعة إلى أن هذا النهج يتفوق على النماذج الحالية الرائدة من حيث الدقة، والمساحة تحت المنحنى (AUC)، والقابلية للتفسير.
في الختام، يؤكد الدراسة على إمكانيات هذا الإطار الهجين للتطبيقات العملية في الطب الدقيق، بما في ذلك تحديد العلامات الحيوية، وتصنيف الأمراض، وأنظمة دعم القرار السريري. قد تركز الأبحاث المستقبلية على تحسين النموذج واستكشاف قابليته للتطبيق عبر مجموعات بيانات متعددة الأومكس الإضافية، بما في ذلك تحليلات الخلايا المفردة، لتعزيز قدرات التنبؤ بالأمراض.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم لتصنيف البيانات الجينومية في تعزيز فهمنا للعمليات البيولوجية وتحسين الطب الدقيق. ومع ذلك، فإن التحديات الكامنة التي تطرحها الأبعاد العالية، والضوضاء، والندرة في مجموعات البيانات الجينومية تعيق نماذج التعلم التقليدية من التقاط تمثيلات ذات معنى بشكل فعال. على الرغم من أن التعلم العميق (DL) قد أظهر وعدًا في تحليلات الطب الحيوي، إلا أن تطبيقه على البيانات الجينومية معقد بسبب قضايا مثل القابلية المحدودة للتفسير، والطلبات الحسابية العالية، والميول إلى الإفراط في التكيف. ظهرت مؤخرًا أطر تعلم هجينة وقابلة للتفسير لمعالجة هذه التحديات من خلال دمج الانتباه الهيكلي والآليات التلافيفية، ومع ذلك غالبًا ما تكافح مع القابلية للتعميم والشفافية، خاصة في السياقات الجينومية واسعة النطاق.
تنتقد المقدمة أيضًا الطرق السابقة مثل الغابات العشوائية، وآلات الدعم الشعاعي (SVMs)، والانحدار اللوجستي، التي اعتمدت على اختيار الميزات يدويًا من قبل خبراء المجال – وهي عملية ليست فقط مستهلكة للوقت ولكن أيضًا عرضة لتجاهل التفاعلات البيولوجية الهامة. على الرغم من أن نماذج DL، مثل الشبكات العصبية ذات التغذية الأمامية، يمكن أن تتعلم من المدخلات الخام، إلا أنها تفتقر عادةً إلى الشفافية، وهو أمر ضروري لبناء الثقة في تطبيقات الرعاية الصحية. لمعالجة هذه القضايا، يقترح البحث نموذجًا هجينيًا جديدًا يجمع بين TabNet والشبكات العصبية التلافيفية (CNNs) وطبقة تحسين الميزات التكيفية (AFR). يهدف هذا النموذج إلى الاستفادة من الانتباه النادر لـ TabNet لاختيار الميزات بينما يستخدم CNNs للتحسين المحلي، مما يعزز كل من القوة التمييزية وقابلية تفسير التنبؤات.
الطرق
يقدم المنهج المقترح إطار عمل هجين للتعلم العميق (DL) مصمم لمعالجة التحديات المرتبطة بتحليل البيانات الجينومية عالية الأبعاد. يتكون هذا النموذج من ثلاثة مكونات رئيسية: مشفر TabNet، وتحسين الشبكة العصبية التلافيفية (CNN)، وطبقة الدمج. يستخدم مشفر TabNet تقنيات إخفاء الميزات الانتباهية وخطوات القرار لإعطاء الأولوية للميزات الجينومية ذات الصلة، بينما يستخدم تحسين CNN طبقات تلافيفية متراكمة بأحجام مرشحات متغيرة (64، 128، 256)، وخطوة 1، وتنشيط ReLU لالتقاط الارتباطات المكانية. تدمج طبقة الدمج التضمينات المعتمدة على الانتباه والتلافيف، مما يؤدي إلى طبقة إخراج تستخدم مصنف softmax لتنبؤات الفئات الجينومية الاحتمالية.
شمل الإعداد التجريبي مقارنة الإطار الهجين المقترح مع نماذج الأساس الحالية، باستخدام نظام حوسبة عالي الأداء مزود بوحدة معالجة الرسوميات NVIDIA RTX A6000، ومعالج Intel Xeon Silver 4310، وذاكرة RAM سعة 256 جيجابايت. شملت بيئة البرمجيات Ubuntu 20.04، وPython 3.9، وPyTorch 1.13، وR-studio، وScikit-learn، مع تنفيذ TabNet مأخوذ من حزمة pytorch-tabnet الرسمية. تم هيكلة سير العمل التدريبي لتعزيز الدقة والكفاءة والموثوقية لمهمة التصنيف على مجموعات البيانات الجينومية، موضحة الخطوات الخاصة بتدريب النموذج، وإعداد مجموعة البيانات، ومقاييس تقييم الأداء.
النتائج
تشير النتائج إلى أن الإطار الهجين المقترح يتفوق بشكل كبير على طرق الأساس الحالية عبر ثلاث مجموعات بيانات: بيانات RNA-seq للخلايا المفردة (GSE72056)، والتعبير الجيني الكلي (TCGA-BRCA)، وإشارات الإبيجينوم (ENCSR000AED). حققت نماذج الأساس، مثل تلك التي قدمها لو وآخرون (2021) وراجا وآخرون (2025)، دقة تتراوح بين 80-86%، مع قيم AUC-ROC تتراوح من 0.84 إلى 0.89 ودرجات F1 تتراوح بين 0.77 و0.84. بالمقابل، حقق الإطار الهجين دقة قدرها 91.4% (GSE72056)، و90.8% (TCGA-BRCA)، و89.5% (ENCSR000AED)، إلى جانب درجات AUC-ROC قدرها 0.95، و0.94، و0.92، على التوالي، ودرجات F1 قدرها 0.90، و0.89، و0.88.
تُعزى التحسينات في الأداء إلى دمج اختيار الميزات المدفوع بالانتباه، وطبقة التحسين التكيفية التي تعزز اكتشاف الإشارات، ومرشحات تلافيفية تلتقط بفعالية التفاعلات المحلية داخل البيانات. تتجلى القابلية العالية للتفسير للنموذج من خلال خرائط الانتباه الواضحة ومرئيات التنشيط، بينما يتم تأكيد موثوقيته من خلال النتائج المستقرة تحت الضوضاء. بشكل عام، يُظهر الإطار الهجين المقترح دقة تنبؤية متفوقة وفصل ثابت للفئات، مع الحفاظ على درجات AUC-ROC فوق 0.92 عبر جميع مجموعات البيانات، مما يبرز فعاليته في التعامل مع البيانات الطبية الحيوية عالية الأبعاد.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على تطوير نموذج هجين يدمج TabNet، وآلية اختيار الميزات، والشبكات العصبية التلافيفية (CNN) لتصنيف البيانات الجينومية عالية الأبعاد. يعالج النموذج عدة تحديات كامنة في تحليل البيانات الجينومية، مثل لعنة الأبعاد، والضوضاء الناتجة عن الميزات غير ذات الصلة، والحاجة إلى القابلية للتفسير في تطبيقات الرعاية الصحية. من خلال استخدام اختيار الميزات المعتمد على الانتباه من TabNet، يحدد النموذج بفعالية الميزات الهامة ويعطيها الأولوية، والتي يتم تحسينها بعد ذلك من خلال وحدة تحسين الميزات التكيفية (AFR). يعزز هذا التحسين وضوح الميزات المختارة، مما يسمح لـ CNN بالتقاط الأنماط المحلية المعقدة والتفاعلات بين الجينات، مما يحسن في النهاية دقة التصنيف.
لا يعزز الإطار المقترح الأداء التنبؤي فحسب، بل يؤكد أيضًا على القابلية للتفسير، وهو جانب حاسم للتطبيقات السريرية. يوفر تفسيرات بصرية من خلال درجات الانتباه وخرائط التنشيط، مما يسهل الثقة والفهم بين المتخصصين في الرعاية الصحية. يُظهر النموذج موثوقية ضد الضوضاء والبيانات المفقودة، مما يجعله مناسبًا لمجموعات البيانات الجينومية في العالم الحقيقي. تشير التجارب الشاملة إلى أن هذا النهج الهجين يتفوق على الطرق الرائدة الحالية في مقاييس متنوعة، بما في ذلك الدقة ودرجة F1، مع الحفاظ على الكفاءة الحسابية. تؤكد الأبحاث على إمكانيات هذا النموذج لدعم الطب الشخصي واتخاذ القرارات السريرية من خلال تقديم حل قابل للتوسع وقابل للتفسير لتصنيف البيانات الجينومية.
القيود
تسلط قسم القيود الضوء على عدة تحديات مرتبطة بمجموعات البيانات الجينومية المستخدمة في الدراسة، وبشكل خاص مجموعات بيانات TCGA-BRCA وGSE72056، التي تظهر مشكلات مثل عدم توازن الفئات، والتكرار، والضوضاء. لمعالجة هذه القضايا، نفذ الباحثون أخذ عينات طبقية وإخفاء الميزات المعتمد على الانتباه أثناء المعالجة المسبقة. تهدف الأعمال المستقبلية إلى تعزيز قابلية تعميم الإطار من خلال توسيعه إلى التحقق من صحة متعددة المجموعات ومخازن جينومية أكبر.
بالإضافة إلى ذلك، يواجه الإطار المقترح قيودًا تتعلق بمتطلباته الحسابية والذاكرة، خاصة عند دمج التمثيلات المستمدة من TabNet مع الطبقات التلافيفية. قد يحد هذا من استخدامه في بيئات سريرية ذات موارد منخفضة أو في الوقت الحقيقي. بينما يظهر الإطار أداءً متسقًا على مجموعات البيانات العامة المختارة، فإن قدرته على التعميم على السكان غير المرئيين، أو مجموعات الأمراض النادرة، أو مجموعات البيانات ذات التأثيرات الدفعة الكبيرة والتنوع الديموغرافي الكبير غير مؤكدة. قد يواجه النموذج أيضًا صعوبة مع الميزات الجينومية النادرة أو أحجام العينات الصغيرة، مما يتطلب تنظيمًا إضافيًا، أو تعلم نقل، أو زيادة البيانات لضمان أداء موثوق. علاوة على ذلك، بينما يولد الإطار خرائط انتباه قابلة للتفسير، فإن التفسير البيولوجي المعنوي غالبًا ما يتطلب خبرة في المجال، حيث قد لا توضح هذه التفسيرات الآليات التنظيمية المعقدة بالكامل، خاصة في السياقات الإبيجينومية.
DOI: https://doi.org/10.1038/s41598-026-36128-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41565905
Publication Date: 2026-01-21
Author(s): Manas Kumar Swain et al.
Primary Topic: Gene expression and cancer classification
Overview
The research introduces a hybrid TabNet-CNN framework designed to enhance the classification of high-dimensional genomic datasets, which are often plagued by redundancy, noise, and sparsity. Traditional deep learning models struggle with these challenges, particularly in maintaining interpretability and stability across diverse genomic structures. The proposed framework leverages an attention mechanism from TabNet to identify the most relevant genomic features, while convolutional layers facilitate improved localized feature interactions, leading to more accurate decision boundaries. Experimental evaluations across various genomic datasets indicate that this approach outperforms existing state-of-the-art models in terms of accuracy, area under the curve (AUC), and interpretability.
In conclusion, the study emphasizes the potential of this hybrid framework for practical applications in precision medicine, including biomarker identification, disease subtyping, and clinical decision-support systems. Future research may focus on further refining the model and exploring its applicability across additional multi-omics datasets, including single-cell analyses, to enhance disease prediction capabilities.
Introduction
The introduction highlights the critical role of genomic data classification in advancing our understanding of biological processes and enhancing precision medicine. However, the inherent challenges posed by high dimensionality, noise, and sparsity in genomic datasets hinder traditional learning models from effectively capturing meaningful representations. While deep learning (DL) has shown promise in biomedical analytics, its application to genomic data is complicated by issues such as limited interpretability, high computational demands, and a tendency to overfit. Recent hybrid and interpretable learning frameworks have emerged to tackle these challenges by incorporating structured attention and convolutional mechanisms, yet they often struggle with generalizability and transparency, particularly in large-scale genomic contexts.
The introduction also critiques earlier methods like random forests, support vector machines (SVMs), and logistic regression, which relied on manual feature selection by domain experts—a process that is not only time-consuming but also prone to overlooking significant biological interactions. Although DL models, such as feed-forward neural networks, can learn from raw inputs, they typically lack transparency, which is essential for trust in healthcare applications. To address these issues, the research proposes a novel hybrid model that combines TabNet with convolutional neural networks (CNNs) and an Adaptive Feature Refiner (AFR) layer. This model aims to leverage TabNet’s sparse attention for feature selection while utilizing CNNs for local refinement, thereby enhancing both the discriminative power and explainability of the predictions.
Methods
The proposed methodology introduces a hybrid deep learning (DL) framework designed to tackle the challenges associated with high-dimensional genomic data analysis. This model comprises three main components: a TabNet Encoder, a Convolutional Neural Network (CNN) Refinement, and a Fusion Layer. The TabNet Encoder employs attentive feature masking and decision steps to prioritize relevant genomic features, while the CNN Refinement utilizes stacked convolutional layers with varying filter sizes (64, 128, 256), a stride of 1, and ReLU activation to capture spatial correlations. The Fusion Layer integrates attention-weighted and convolutional embeddings, culminating in an output layer that employs a softmax classifier for probabilistic genomic class predictions.
The experimental setup involved comparing the proposed hybrid framework with existing baseline models, utilizing a high-performance computing system equipped with an NVIDIA RTX A6000 GPU, Intel Xeon Silver 4310 CPU, and 256GB RAM. The software environment included Ubuntu 20.04, Python 3.9, PyTorch 1.13, R-studio, and Scikit-learn, with the TabNet implementation sourced from the official pytorch-tabnet package. The training workflow is structured to enhance the accuracy, efficiency, and robustness of the classification task on genomic datasets, detailing the steps for model training, dataset preparation, and performance evaluation metrics.
Results
The results indicate that the proposed hybrid framework significantly outperforms existing baseline methods across three datasets: single-cell RNA-seq data (GSE72056), bulk gene expression (TCGA-BRCA), and epigenomic signals (ENCSR000AED). Baseline models, such as those by Lu et al. (2021) and Raja et al. (2025), achieved accuracies between 80-86%, with AUC-ROC values ranging from 0.84 to 0.89 and F1-scores between 0.77 and 0.84. In contrast, the hybrid framework achieved accuracies of 91.4% (GSE72056), 90.8% (TCGA-BRCA), and 89.5% (ENCSR000AED), alongside AUC-ROC scores of 0.95, 0.94, and 0.92, respectively, and F1-scores of 0.90, 0.89, and 0.88.
The enhancements in performance are attributed to the integration of attention-driven feature selection, an adaptive refinement layer that enhances signal detection, and convolutional filters that effectively capture local interactions within the data. The model’s high interpretability is evidenced by clear attention maps and activation visuals, while its robustness is confirmed by stable results under noise. Overall, the proposed hybrid framework demonstrates superior predictive precision and consistent class separation, maintaining AUC-ROC scores above 0.92 across all datasets, thus highlighting its efficacy in handling high-dimensional biomedical data.
Discussion
The discussion section of the research paper highlights the development of a hybrid model that integrates TabNet, a feature selection mechanism, and Convolutional Neural Networks (CNN) for the classification of high-dimensional genomic data. The model addresses several challenges inherent in genomic data analysis, such as the curse of dimensionality, noise from irrelevant features, and the need for interpretability in healthcare applications. By employing TabNet’s attention-based feature selection, the model effectively identifies and prioritizes significant features, which are then refined through an Adaptive Feature Refinement (AFR) module. This refinement enhances the clarity of the selected features, allowing the CNN to capture complex local patterns and interactions among genes, ultimately improving classification accuracy.
The proposed framework not only enhances predictive performance but also emphasizes interpretability, a crucial aspect for clinical applications. It provides visual explanations through attention scores and activation maps, facilitating trust and understanding among healthcare professionals. The model demonstrates robustness against noise and missing data, making it suitable for real-world genomic datasets. Comprehensive experiments indicate that this hybrid approach outperforms existing state-of-the-art methods in various metrics, including accuracy and F1-score, while maintaining computational efficiency. The research underscores the potential of this model to support personalized medicine and clinical decision-making by offering a scalable and interpretable solution for genomic data classification.
Limitations
The section on limitations highlights several challenges associated with the genomic datasets used in the study, specifically the TCGA-BRCA and GSE72056 datasets, which exhibit issues such as class imbalance, redundancy, and noise. To address these concerns, the researchers implemented stratified sampling and attention-based feature masking during preprocessing. Future work aims to enhance the framework’s generalizability by extending it to multi-cohort validation and larger genomic repositories.
Additionally, the proposed framework faces limitations related to its computational and memory demands, particularly when integrating TabNet-derived representations with convolutional layers. This may restrict its use in low-resource or real-time clinical environments. While the framework shows consistent performance on selected public datasets, its ability to generalize to unseen populations, rare disease cohorts, or datasets with significant batch effects and demographic variability is uncertain. The model may also struggle with sparse genomic features or small sample sizes, necessitating additional regularization, transfer learning, or data augmentation to ensure reliable performance. Furthermore, while the framework generates interpretable attention maps, meaningful biological interpretation often requires domain expertise, as these explanations may not fully elucidate complex regulatory mechanisms, especially in epigenomic contexts.