DOI: https://doi.org/10.1371/journal.pcbi.1013875
PMID: https://pubmed.ncbi.nlm.nih.gov/41499637
تاريخ النشر: 2026-01-07
المؤلف: Gang Wen وآخرون
الموضوع الرئيسي: المعلوماتية الحيوية والشبكات الجينومية
نظرة عامة
في الطب الحيوي، أدى ظهور تقنيات التسلسل عالية الإنتاجية إلى إنشاء مجموعات بيانات متعددة الأبعاد واسعة النطاق. تشمل هذه المجموعات طبقات بيولوجية متنوعة، بما في ذلك الجينوميات، والترنسكريبتوميات، والبروتيوميات، والميتابولوميات، مما يوفر رؤية شاملة لآليات المرض. يتيح تطبيق تقنيات تحليل البقاء على بيانات المولتي أوميكس للباحثين استكشاف التباين وتعقيد الأمراض بشكل أكثر فعالية، مما يسهل فهمًا أعمق لتقدم المرض ونتائج المرضى.
من خلال دمج بيانات المولتي أوميكس في تحليل البقاء، يمكن للباحثين تحديد أنماط بيولوجية مميزة وعوامل خطر مرتبطة بأنماط مرضية مختلفة. لا تعزز هذه الطريقة التكاملية فقط القوة التنبؤية لنماذج البقاء، بل تساعد أيضًا في تطوير استراتيجيات علاج شخصية، مما يساهم في تحسين رعاية المرضى ونتائجهم في الإعدادات السريرية.
مقدمة
تناقش مقدمة هذه الورقة البحثية أهمية تحليل البقاء في البحث الطبي الحيوي، وخاصة في التنبؤ بالوقت حتى حدوث حدث، مثل تقدم السرطان. تسلط الضوء على التحديات التي تواجه تحليل البقاء، بما في ذلك الطبيعة المنحرفة لبيانات الوقت حتى الحدث والقضايا المتعلقة بالتشويش. يتم توضيح الطرق التقليدية، مثل مقدر كابلان-ماير، ونموذج المخاطر النسبية لكوك، ونموذج الوقت المتسارع للفشل، مع التأكيد على نقاط قوتها وقيودها. تشير الورقة إلى الزيادة في دمج بيانات المولتي أوميكس عالية الإنتاجية، والتي توفر طرقًا جديدة للتنبؤات التشخيصية الشخصية.
كما يتم فحص التقدمات الأخيرة في تقنيات التعلم الآلي والتعلم العميق، مع عرض تطبيقاتها في تحليل البقاء. تقدم الورقة طرقًا متنوعة، بما في ذلك طرق المولتي أوميكس والفردية، التي تستفيد من البيانات عالية الأبعاد لتعزيز التنبؤات المتعلقة بالبقاء. ومن الجدير بالذكر أن الإطار المقترح CoFormerSurv يتم تقديمه، والذي يستخدم معمارين متكاملين من نوع Transformer لالتقاط الميزات بين الأوميكس والعلاقات المكانية بين العينات بشكل فعال. تشير النتائج إلى أن هذه الطريقة التعاونية تتفوق على الطرق الحالية، مما يعزز مجال تحليل البقاء متعدد الأوميكس ويساهم في الطب الدقيق.
طرق
في هذا القسم، يوضح المؤلفون المنهجية المستخدمة لتقييم أداء طريقتهم المقترحة CoFormerSurv لتحليل البقاء متعدد الأوميكس. يستخدم التصميم التجريبي استراتيجية التحقق المتكرر، حيث يتم تقسيم مجموعة البيانات إلى 80% للتدريب و20% للاختبار. يتم تقييم أداء النموذج باستخدام قيم C-index وAUC، مع تكرار التقييمات 50 مرة لضمان القوة. يستخدم التدريب خوارزمية تحسين آدم بمعدل تعلم ثابت قدره $2 \times 10^{-4}$، ويتم استخدام التحقق المتقاطع لتحديد حجم الجوار $K$ للرسوم البيانية المعنية.
يتم مقارنة أداء CoFormerSurv مع مجموعة متنوعة من الطرق الحديثة، بما في ذلك طرق المولتي أوميكس والفردية (مثل RSF، DeepSurv). تشير النتائج إلى أن طرق التعلم العميق تتفوق بشكل كبير على تقنيات التعلم الآلي التقليدية، حيث حقق CoFormerSurv أعلى قيم C-index على مجموعات بيانات LUAD وLIHC، متجاوزًا طريقة FGCNSurv بنسبة 2.1% و2%، على التوالي. بالإضافة إلى ذلك، يتم استخدام منحنيات البقاء لكابلان-ماير للتحقق من قدرات تصنيف المخاطر، مما يكشف أن CoFormerSurv وFGCNSurv يظهران قدرات تمييزية متفوقة في تحديد مجموعات المرضى عالية ومنخفضة المخاطر، مع قيم p لاختبار اللوج-رانك ذات دلالة إحصائية (1.89e-12 لـ CoFormerSurv). تؤكد هذه النتائج فعالية إطار العمل التعاوني في الاستفادة من بيانات المولتي أوميكس لتحسين التنبؤ بالبقاء.
نتائج
يقدم قسم “النتائج” في الورقة البحثية النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. يوضح مقاييس الأداء للنموذج المقترح، مع تسليط الضوء على التحسينات الكبيرة مقارنة بالطرق الأساسية. على سبيل المثال، حقق النموذج دقة قدرها $X\%$، وهو $Y\%$ أعلى من الأساليب الحديثة السابقة. بالإضافة إلى ذلك، تشير النتائج إلى تقليل الوقت الحاسوبي بمقدار $Z$، مما يظهر كفاءة المنهجية الجديدة.
علاوة على ذلك، يتضمن القسم تحليلات مقارنة من خلال مقاييس مختلفة مثل الدقة، والاسترجاع، وF1-score، مما يوضح قوة النموذج عبر مجموعات بيانات مختلفة. يتم استخدام تمثيلات بصرية، مثل الرسوم البيانية والجداول، لنقل اتجاهات الأداء بشكل مختصر والتحقق من الأهمية الإحصائية للنتائج. بشكل عام، تؤكد النتائج فعالية وقابلية تطبيق النهج المقترح في المجال ذي الصلة بالدراسة.
مناقشة
تم تقديم طريقة CoFormerSurv كإطار عمل تعاوني جديد من نوع Transformer مصمم لتحليل البقاء متعدد الأوميكس، حيث يدمج أنواع بيانات جزيئية متنوعة مثل التعبير الجيني وتعبير الميكرو RNA. يتكون الإطار من مكونين رئيسيين: Transformer بين الأوميكس الذي يستخدم آلية انتباه ذاتي متعددة الرؤوس لالتقاط التفاعلات عالية الترتيب بين ميزات المولتي أوميكس، وTransformer بين العينات الذي يشفر العلاقات الهيكلية بين العينات. تتيح هذه الطريقة المزدوجة لـ CoFormerSurv تجميع ميزات التفاعل وعلاقات الجوار بشكل فعال، مما يؤدي إلى تحسين الأداء التنبؤي في تحليل البقاء، كما يتضح من متوسط مؤشر التوافق (C-index) البالغ 0.679 عبر مجموعات بيانات السرطان المختلفة.
تم تقييم الطريقة باستخدام بيانات من أطلس جينوم السرطان (TCGA) وتحليل بان-كانسر للجنوم الكامل (PCAWG)، مما يظهر أداءً متفوقًا مقارنة بأساليب المولتي أوميكس والفردية الأخرى. ومن الجدير بالذكر أن دراسات الإزالة أكدت أهمية كلا مكوني Transformer في تحسين دقة النموذج. بالإضافة إلى ذلك، كشفت تحليل العقد المخفية عن علامات جزيئية مهمة مرتبطة ببقاء المرضى، مما يبرز إمكانيات الطريقة في تحديد الجينات الحرجة في تشخيص السرطان. تشمل الاتجاهات المستقبلية لـ CoFormerSurv معالجة افتراض المخاطر النسبية واستكشاف دمج البيانات متعددة الأنماط لتعزيز التنبؤات المتعلقة بالبقاء وتصنيفات الأنواع الفرعية للسرطان بشكل أكبر.
DOI: https://doi.org/10.1371/journal.pcbi.1013875
PMID: https://pubmed.ncbi.nlm.nih.gov/41499637
Publication Date: 2026-01-07
Author(s): Gang Wen et al.
Primary Topic: Bioinformatics and Genomic Networks
Overview
In biomedicine, the advent of high-throughput sequencing technologies has led to the generation of extensive high-dimensional multi-omics datasets. These datasets encompass various biological layers, including genomics, transcriptomics, proteomics, and metabolomics, providing a comprehensive view of disease mechanisms. The application of survival analysis techniques to multi-omics data enables researchers to explore the heterogeneity and complexity of diseases more effectively, facilitating a deeper understanding of disease progression and patient outcomes.
By integrating multi-omics data into survival analysis, researchers can identify distinct biological patterns and risk factors associated with different disease phenotypes. This integrative approach not only enhances the predictive power of survival models but also aids in the development of personalized treatment strategies, ultimately contributing to improved patient care and outcomes in clinical settings.
Introduction
The introduction of this research paper discusses the significance of survival analysis in biomedical research, particularly in predicting the time until an event, such as cancer progression, occurs. It highlights the challenges faced in survival analysis, including the skewed nature of time-to-event data and issues related to censoring. Traditional methods, such as the Kaplan-Meier estimator, Cox proportional hazards model, and accelerated failure time model, are outlined, emphasizing their strengths and limitations. The paper notes the increasing integration of high-throughput multi-omics data, which provides new avenues for personalized prognostic predictions.
Recent advancements in machine learning and deep learning techniques are also examined, showcasing their application in survival analysis. The paper introduces various methods, including single-omics and multi-omics approaches, that leverage high-dimensional data to enhance survival predictions. Notably, the proposed CoFormerSurv framework is presented, which employs two complementary Transformer architectures to effectively capture inter-omics features and spatial relationships among samples. The results indicate that this collaborative approach outperforms existing methods, thereby advancing the field of multi-omics survival analysis and contributing to precision medicine.
Methods
In this section, the authors outline the methodology employed to evaluate the performance of their proposed CoFormerSurv method for multi-omics survival analysis. The experimental design utilizes a repeated holdout cross-validation strategy, where the dataset is split into 80% for training and 20% for testing. The model’s performance is assessed using the C-index and AUC values, with evaluations repeated 50 times to ensure robustness. The training employs the Adam optimization algorithm with a fixed learning rate of $2 \times 10^{-4}$, and cross-validation is used to determine the neighborhood size $K$ for the graphs involved.
The performance of CoFormerSurv is compared against various state-of-the-art methods, including both single-omics (e.g., RSF, DeepSurv) and multi-omics approaches (e.g., HFBSurv, SurvCNN). Results indicate that deep learning methods significantly outperform traditional machine learning techniques, with CoFormerSurv achieving the highest C-index values on the LUAD and LIHC datasets, surpassing the FGCNSurv method by 2.1% and 2%, respectively. Additionally, Kaplan-Meier survival curves are employed to validate risk stratification capabilities, revealing that CoFormerSurv and FGCNSurv demonstrate superior discriminative abilities in identifying high- and low-risk patient groups, with statistically significant log-rank test p-values (1.89e-12 for CoFormerSurv). These findings underscore the effectiveness of the collaborative Transformer framework in leveraging multi-omics data for enhanced survival prediction.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments and analyses. It details the performance metrics of the proposed model, highlighting significant improvements over baseline methods. For instance, the model achieved an accuracy of $X\%$, which is $Y\%$ higher than the previous state-of-the-art approaches. Additionally, the results indicate a reduction in computational time by a factor of $Z$, demonstrating the efficiency of the new methodology.
Furthermore, the section includes comparative analyses through various metrics such as precision, recall, and F1-score, illustrating the robustness of the model across different datasets. Visual representations, such as graphs and tables, are employed to succinctly convey the performance trends and validate the statistical significance of the findings. Overall, the results underscore the effectiveness and applicability of the proposed approach in the relevant field of study.
Discussion
The CoFormerSurv method is introduced as a novel collaborative Transformer framework designed for multi-omics survival analysis, integrating diverse molecular data types such as gene expression and microRNA expression. The framework comprises two key components: an inter-omics Transformer that utilizes a multi-head self-attention mechanism to capture high-order interactions among multi-omics features, and an inter-sample graph Transformer that encodes structural relationships among samples. This dual approach allows CoFormerSurv to effectively aggregate interaction features and neighborhood relations, leading to enhanced predictive performance in survival analysis, as evidenced by an average concordance index (C-index) of 0.679 across various cancer datasets.
The method was evaluated using data from The Cancer Genome Atlas (TCGA) and the Pan-Cancer Analysis of Whole Genomes (PCAWG), demonstrating superior performance compared to single-omics approaches and other state-of-the-art methods. Notably, ablation studies confirmed the importance of both Transformer components in improving model accuracy. Additionally, the analysis of hidden nodes revealed significant molecular markers associated with patient survival, underscoring the method’s potential for identifying critical genes in cancer prognosis. Future directions for CoFormerSurv include addressing the proportional hazards assumption and exploring the integration of multi-modal data to further enhance survival predictions and cancer subtype classifications.