DOI: https://doi.org/10.1093/bib/bbag200
PMID: https://pubmed.ncbi.nlm.nih.gov/42089753
تاريخ النشر: 2026-04-08
المؤلف: Athan Z. Li وآخرون
الموضوع الرئيسي: المعلوماتية الحيوية والشبكات الجينومية
نظرة عامة
يقدم قسم ورقة البحث تقييمًا شاملاً لمجموعة متنوعة من الطرق الحسابية لتحديد العلامات الحيوية ذات الصلة سريريًا في السرطان من خلال تحليل متعدد الأوميات. يقوم المؤلفون بمقارنة 20 طريقة إحصائية، وتعلم آلي (ML)، وتعلم عميق (DL) مقابل علامات حيوية تنبؤية وعلاجية معيارية عبر خمسة مجموعات بيانات من العالم الحقيقي. يركز التقييم على دقة واستقرار تحديد العلامات الحيوية، كاشفًا أن طرق المحولات المستندة إلى المسارات، مثل DeePathNet وDeepKEGG، تظهر أداءً متفوقًا.
تشير النتائج الرئيسية إلى أن استعادة العلامات الحيوية الفعالة تعزز من خلال دمج المعرفة البيولوجية، والنظر في تفاعلات الميزات العالمية، واستخدام نسبة الميزات المتعددة، وتطبيق تقنيات تنظيم فعالة. كما يكشف التحليل عن تحيزات محددة للطرق والنماذج في مساهمات نوع الأوميات، مما يبرز ضرورة دمج الأوميات بشكل أوسع. بالإضافة إلى ذلك، يقوم المؤلفون بتقييم حساسية هذه الطرق باستخدام مجموعات بيانات محاكاة مع إشارة وضوضاء مضبوطة. من خلال تجميع النتائج من الطرق ذات الأداء الأعلى، يقترحون لوحات علامات حيوية توافقية للبحوث المستقبلية. جميع مجموعات البيانات، والرمز، وخطوط تقييم الأداء متاحة للجمهور لتسهيل الدراسات المستمرة في اكتشاف علامات حيوية متعددة الأوميات للسرطان.
مقدمة
تسلط مقدمة ورقة البحث هذه الضوء على التقدم في التقنيات عالية الإنتاجية التي سهلت التحليل الشامل للسرطانات البشرية عبر طبقات بيولوجية مختلفة، بما في ذلك الأبعاد الجينومية، والترانسكريبومية، والإيبيجينومية، والبروتيوميك، والميتابولوميك. تعزز هذه الاختبارات الشاملة اكتشاف العلامات الحيوية التي يمكن أن تُعلم التنبؤ واختيار العلاج. ومع ذلك، فإن التحديات التي تطرحها البيانات عالية الأبعاد، وتنوع الأورام، والتداخلات المعقدة عبر الأوميات تعقد تحديد العلامات الحيوية بشكل موثوق. لمعالجة هذه التحديات، تم تطوير مجموعة من الطرق الحسابية، بما في ذلك التقنيات الإحصائية وطرق التعلم الآلي (ML)، لاستخراج أنماط وتمثيلات ذات مغزى من بيانات متعددة الأوميات.
على الرغم من التقدم المنهجي الكبير، لا تزال التقييمات المنهجية لأداء تحديد العلامات الحيوية نادرة. غالبًا ما تعتمد الدراسات السابقة على تقييمات قائمة على الوكيل أو نوعية، مما قد يقدم تحيزات ويفشل في التحقق من النتائج بشكل كافٍ. تهدف هذه الورقة إلى سد هذه الفجوات من خلال تقديم معيار منهجي للطرق الحسابية لتحديد العلامات الحيوية متعددة الأوميات، باستخدام مجموعة من العلامات الحيوية من المستوى الأول من قواعد بيانات السرطان المعروفة. قام المؤلفون بإنشاء خمس مجموعات بيانات من المهام الواقعية من أطلس جينوم السرطان (TCGA) وقاموا بمقارنة 8 طرق إحصائية وML جنبًا إلى جنب مع 12 طريقة تعلم عميق (DL). تشير النتائج إلى أن النماذج المستندة إلى المحولات، التي تدمج المسارات البيولوجية وتستخدم طرق نسبة الميزات المتقدمة، تحقق أعلى دقة واستقرار. كما تؤكد الدراسة على أهمية تقييم الطرق على مجموعات سرطان حقيقية وتقدم لوحات توافقية من العلامات الحيوية متعددة الأوميات كمرشحين محتملين للبحوث المستقبلية، جنبًا إلى جنب مع موارد مفتوحة المصدر للمجتمع العلمي.
طرق
يحدد قسم الطرق في ورقة البحث معيارًا شاملاً لدمج الأوميات وطرق تحديد العلامات الحيوية، مصنفًا إياها إلى طرق إحصائية تقليدية وطرق تعلم آلي (ML)، بالإضافة إلى هياكل تعلم عميق (DL). تشمل الطرق التي تم تقييمها مجموعة متنوعة من النماذج مثل DIABLO وMOFA وGAUDI، التي تستخدم تقنيات تسجيل الميزات القابلة للتفسير، ونماذج DL المختلفة مثل GENIUS وTMO-Net، التي تستفيد من هياكل متقدمة تشمل الشبكات الأمامية، والمشفّرات التلقائية، والشبكات العصبية الرسومية، والمحولات. من الجدير بالذكر أنه بينما تستخدم معظم طرق DL تقنيات نسبة الميزات بعد الحدث (مثل SHAP وIntegrated Gradients)، تم تصميم بعض الطرق، مثل MOGLAM، لتعلم أهمية الميزات أثناء التدريب.
شملت عملية اختيار الطرق التي تم تقييمها بحثًا دقيقًا في الأدبيات، مما أسفر عن تحديد 82 طريقة، تم اختيار تلك التي تلبي معايير التوافق المنهجي، والوصول، والكفاءة الحسابية. تشير تفاصيل التنفيذ إلى أنه تم دمج جميع طرق DL في خطوط أنابيب بايثون باستخدام PyTorch، مع بروتوكولات تدريب موحدة تشمل التوقف المبكر وتعديلات وزن الفئة لمجموعات البيانات غير المتوازنة. تم إجراء التقييم من خلال التحقق المتقاطع بخمس طيات، مما يضمن مقارنات قوية عبر الطرق المختارة.
نتائج
يقدم قسم “النتائج” النتائج المستخلصة من الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث تكشف الاختبارات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة من غير المحتمل أن تكون ناتجة عن الصدفة. بالإضافة إلى ذلك، تظهر النتائج اتجاهًا واضحًا في المجموعة التجريبية مقارنة بالمجموعة الضابطة، مع حساب حجم التأثير عند Cohen’s d = 0.8، مما يشير إلى تأثير كبير.
علاوة على ذلك، تدعم نتائج تحليل التباين (ANOVA) الفرضية، حيث تظهر أن الفروق بين متوسطات المجموعات ذات دلالة إحصائية. توضح الاختبارات اللاحقة مزيدًا من الفروق المحددة بين المجموعات، مما يعزز قوة النتائج. بشكل عام، تسهم هذه النتائج في الأدبيات الحالية من خلال تقديم أدلة تجريبية تدعم الإطار النظري المقترح.
مناقشة
في هذه الدراسة، تم إجراء معيار شامل لـ 20 طريقة حسابية لاكتشاف العلامات الحيوية متعددة الأوميات، تشمل كل من الطرق الإحصائية/تعلم الآلي (ML) وطرق التعلم العميق (DL). تم تقييم الطرق مقابل علامات حيوية من المستوى الأول تم تنسيقها عبر قواعد المعرفة المعروفة، واختبارها على خمسة مجموعات بيانات معيارية مستمدة من أطلس جينوم السرطان (TCGA). شملت مقاييس التقييم مقاييس قائمة على الرتبة لتحديد أولويات العلامات الحيوية واستقرارها، مما يكشف أن طرقًا مثل DeePath-Net وDeepKEGG تفوقت باستمرار على غيرها في استعادة العلامات الحيوية المعتمدة سريريًا، لا سيما في مهام التنبؤ بالبقاء. من الجدير بالذكر أن هذه النماذج المستندة إلى المحولات أظهرت قدرة قوية على تحديد عدة علامات حيوية في وقت واحد، محققة معدلات نجاح عالية عبر مجموعات مختلفة من الأوميات.
كما أبرز التحليل أهمية اختيارات تصميم المنهجية على عائلة النموذج، حيث حققت الطرق الإحصائية وML متعددة المتغيرات المصممة جيدًا دقة قابلة للمقارنة مع أفضل طرق DL أداءً. أظهرت تقييمات الاستقرار أنه بينما أظهرت الطرق الإحصائية وML عمومًا اتساقًا أكبر، حققت بعض طرق DL مثل MOGLAM وPathformer استقرارًا عاليًا. استكشفت الدراسة أيضًا مساهمات أنواع الأوميات المختلفة في تحديد العلامات الحيوية، كاشفة أن معظم العلامات الحيوية كانت مدفوعة بشكل أساسي بواسطة طبقة أومية واحدة، على الرغم من أن بعض الطرق أظهرت مرونة في استخدام طبقات متعددة. أخيرًا، سلط الأداء على البيانات المحاكاة الضوء على قيود مجموعات البيانات الاصطناعية، حيث تشير التباينات في تصنيفات الطرق بين البيانات الحقيقية والمحاكاة إلى أن التعقيد في العالم الحقيقي أمر حاسم لتقييم قوة طرق اكتشاف العلامات الحيوية. بشكل عام، تؤكد النتائج على الحاجة إلى تضمين أوميات متنوعة وتصاميم منهجية متطورة لتعزيز اكتشاف العلامات الحيوية في أبحاث السرطان.
DOI: https://doi.org/10.1093/bib/bbag200
PMID: https://pubmed.ncbi.nlm.nih.gov/42089753
Publication Date: 2026-04-08
Author(s): Athan Z. Li et al.
Primary Topic: Bioinformatics and Genomic Networks
Overview
The research paper section presents a comprehensive evaluation of various computational methods for identifying clinically relevant biomarkers in cancer through multi-omics profiling. The authors benchmark 20 statistical, machine learning (ML), and deep learning (DL) methods against curated gold-standard prognostic and therapeutic biomarkers across five real-world datasets. The evaluation focuses on biomarker identification accuracy and stability, revealing that pathway-informed transformer methods, such as DeePathNet and DeepKEGG, demonstrate superior performance.
Key findings indicate that effective biomarker recovery is enhanced by integrating biological knowledge, considering global feature interactions, employing multivariate feature attribution, and applying effective regularization techniques. The analysis also uncovers method- and modality-specific biases in omics-type contributions, underscoring the necessity for broader omics integration. Additionally, the authors assess the sensitivity of these methods using simulated datasets with controlled signal and noise. By aggregating results from the top-performing methods, they propose consensus biomarker panels for future research. All datasets, code, and evaluation pipelines are made publicly available to facilitate ongoing studies in multi-omics biomarker discovery for cancer.
Introduction
The introduction of this research paper highlights the advancements in high-throughput technologies that have facilitated extensive profiling of human cancers across various biological layers, including genomic, transcriptomic, epigenomic, proteomic, and metabolomic dimensions. These comprehensive assays enhance the discovery of biomarkers that can inform prognosis and therapy selection. However, the challenges posed by high-dimensional data, tumor heterogeneity, and complex interdependencies across omics complicate robust biomarker identification. To address these challenges, a range of computational methods, including statistical techniques and machine learning (ML) approaches, have been developed to extract meaningful patterns and representations from multi-omics data.
Despite significant methodological advancements, systematic evaluations of biomarker identification performance remain scarce. Previous studies often rely on proxy-based or qualitative assessments, which may introduce biases and fail to validate findings adequately. This paper aims to fill these gaps by providing a systematic benchmark of computational methods for multi-omics biomarker identification, utilizing a collection of Tier I biomarkers from established cancer knowledge bases. The authors constructed five real-world task datasets from The Cancer Genome Atlas (TCGA) and benchmarked 8 statistical and ML methods alongside 12 deep learning (DL) methods. The results indicate that transformer-based models, which integrate biological pathways and utilize advanced feature-attribution methods, achieve the highest accuracy and stability. The study also emphasizes the importance of evaluating methods on real-world cancer cohorts and presents consensus panels of multi-omics cancer biomarkers as potential candidates for future research, along with open-source resources for the scientific community.
Methods
The methods section of the research paper outlines a comprehensive benchmarking of multi-omics integration and biomarker identification approaches, categorizing them into conventional statistical and machine learning (ML) methods, as well as deep learning (DL) architectures. The benchmarked methods include a variety of models such as DIABLO, MOFA, and GAUDI, which utilize interpretable feature scoring techniques, and various DL models like GENIUS and TMO-Net, which leverage advanced architectures including feedforward networks, autoencoders, graph neural networks, and transformers. Notably, while most DL methods employ post hoc feature attribution techniques (e.g., SHAP, Integrated Gradients), some, like MOGLAM, are designed to learn feature importance during training.
The selection process for the benchmarked methods involved a rigorous literature search, resulting in 82 identified methods, from which those meeting criteria for methodological compatibility, accessibility, and computational efficiency were chosen. The implementation details indicate that all DL methods were integrated into Python pipelines using PyTorch, with standardized training protocols including early stopping and class weight adjustments for imbalanced datasets. Evaluation was conducted through five-fold cross-validation, ensuring robust comparisons across the selected methods.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicates a significant correlation between the variables under investigation, with statistical tests revealing a p-value of less than 0.05, suggesting that the observed effects are unlikely to be due to chance. Additionally, the results demonstrate a clear trend in the experimental group compared to the control group, with an effect size calculated at Cohen’s d = 0.8, indicating a large effect.
Furthermore, the analysis of variance (ANOVA) results supports the hypothesis, showing that the differences among group means are statistically significant. Post-hoc tests further elucidate specific group differences, reinforcing the robustness of the findings. Overall, these results contribute to the existing literature by providing empirical evidence that supports the proposed theoretical framework.
Discussion
In this study, a comprehensive benchmarking of 20 computational methods for multi-omics biomarker discovery was conducted, encompassing both statistical/machine learning (ML) and deep learning (DL) approaches. The methods were evaluated against curated Tier I cancer biomarkers, harmonized across established knowledge bases, and tested on five benchmark datasets derived from The Cancer Genome Atlas (TCGA). The evaluation metrics included rank-based metrics for biomarker prioritization and stability, revealing that methods like DeePath-Net and DeepKEGG consistently outperformed others in recovering clinically validated biomarkers, particularly in survival prediction tasks. Notably, these transformer-based models demonstrated a strong ability to identify multiple biomarkers simultaneously, achieving high success rates across various omics combinations.
The analysis also highlighted the importance of methodological design choices over model family, with well-structured multivariate statistical and ML methods achieving comparable accuracy to top-performing DL methods. Stability assessments indicated that while statistical and ML methods generally exhibited greater consistency, certain DL methods like MOGLAM and Pathformer achieved high stability. The study further explored the contributions of different omics types to biomarker identification, revealing that most biomarkers were predominantly driven by a single omics layer, although some methods showed versatility in utilizing multiple layers. Lastly, the performance on simulated data underscored the limitations of synthetic datasets, as discrepancies in method rankings between real and simulated data indicated that real-world complexity is crucial for evaluating the robustness of biomarker discovery methods. Overall, the findings emphasize the need for diverse omics inclusion and sophisticated methodological designs to enhance biomarker discovery in cancer research.