DOI: https://doi.org/10.1093/nargab/lqag054
PMID: https://pubmed.ncbi.nlm.nih.gov/42221877
تاريخ النشر: 2026-03-27
المؤلف: Tiantian Yang وآخرون
الموضوع الرئيسي: كشف وتصنيف أورام الدماغ
نظرة عامة
تقدم البحث TF-DWGNet، وهو إطار عمل مبتكر للشبكات العصبية الرسومية (GNN) مصمم لتصنيف أنواع السرطان الفرعية من خلال دمج بيانات متعددة الأوميات. يعالج هذا الإطار التحديات التي تطرحها طبيعة البيانات غير المتجانسة وعالية الأبعاد، والتي غالبًا ما تظهر تبعيات معقدة. يعزز TF-DWGNet الأساليب التقليدية للشبكات العصبية الرسومية من خلال تنفيذ استراتيجية قائمة على الأشجار الموجهة والموزونة لبناء الرسوم البيانية الموجهة، الخاصة بكل نوع من الأوميات، إلى جانب آلية دمج التنسور التي تلتقط التفاعلات بكفاءة عبر البيانات أحادية، ثنائية، وثلاثية الأبعاد باستخدام التحلل منخفض الرتبة.
تظهر التقييمات التجريبية على ثلاثة مجموعات بيانات حقيقية للسرطان أن TF-DWGNet يتجاوز باستمرار الأساليب الحالية الرائدة عبر مقاييس الأداء المختلفة. لا يظهر النموذج فقط قدرات تنبؤية قوية ولكنه يقدم أيضًا مخرجات قابلة للتفسير، مثل درجات مساهمة المستوى النوعي وأهمية الميزات المرتبة، مما يسهل تحديد المحركات الجزيئية المحتملة والأنماط المحددة لمجموعات البيانات. تعتبر هذه القابلية للتفسير ضرورية لتقدم التحقيقات البيولوجية وتوليد الفرضيات السريرية. بشكل عام، يمثل TF-DWGNet تقدمًا كبيرًا في دمج الأوميات المتعددة، مع مرونة لدمج أنواع أوميات إضافية وإمكانية قوية لتعزيز علم الأورام الدقيق وفهم تنوع أنواع السرطان الفرعية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التحديات الكبيرة التي يطرحها السرطان، والذي يتميز بنمو الخلايا غير المنضبط وعدم الاستقرار الجيني، مما يتطلب تصنيفًا دقيقًا للأنواع الفرعية من أجل فعالية الطب الدقيق. يؤكد المؤلفون على تعقيد بيولوجيا الورم وقيود التحليلات التقليدية أحادية الأوميات، داعين إلى دمج بيانات الأوميات المتعددة—مثل ميثيل الحمض النووي، وmRNA، وتعبير miRNA—من خلال أطر حسابية متقدمة. على الرغم من إمكانات التعلم العميق الهندسي، وخاصة الشبكات العصبية الرسومية (GNNs)، لنمذجة الهياكل البيولوجية غير الإقليدية، غالبًا ما تكافح الأساليب الحالية مع بناء الرسوم البيانية، ودمج الأوميات المتعددة، والقابلية للتفسير.
لمعالجة هذه القيود، يقترح المؤلفون TF-DWGNet، وهو إطار عمل جديد قائم على GNN مصمم لدمج الأوميات المتعددة القابلة للتفسير وتصنيف أنواع السرطان الفرعية. تشمل الابتكارات الرئيسية بناء رسوم بيانية موجهة موزونة تحت إشراف تعكس التفاعلات البيولوجية، ووحدة دمج التنسور منخفضة الرتبة لالتقاط التفاعلات المعقدة عبر طبقات الأوميات، وميزات القابلية للتفسير المدمجة التي توفر رؤى حول أهمية الميزات ومساهمات الأنواع. يهدف TF-DWGNet إلى تعزيز دقة وقابلية تفسير تنبؤات أنواع السرطان الفرعية مع استيعاب أنواع الأوميات المتنوعة في إطار موحد.
الطرق
تحدد قسم المنهجية الإطار والتصميم التجريبي لـ TF-DWGNet المقترح (دمج التنسور على شبكة الرسوم البيانية الموجهة) الذي يهدف إلى تعلم التمثيل متعدد الأبعاد من ثلاث مجموعات بيانات أوميات. يتم تحويل مصفوفة الميزات المدخلة \( X \in \mathbb{R}^{n \times p} \) إلى رسم بياني للميزات \( G(V, E) \) مع مصفوفة مجاورة \( A \) تشمل حلقات ذاتية، مما ينتج عنه مصفوفة مجاورة طبيعية \( D^{-1/2} \tilde{A} D^{-1/2} \). الهدف هو بناء رسوم بيانية موجهة موزونة \( G_i \) لكل مجموعة بيانات وتعلم دالة تنبؤية \( f_2: G \to Y \) تقلل الفجوة بين التسميات الحقيقية والمتوقعة.
يتكون إطار عمل TF-DWGNet من أربعة وحدات: وحدة XGBoost لاختيار الميزات وبناء الرسوم البيانية، وحدة الشبكة العصبية الرسومية (GNN) لتعلم التضمينات أحادية الأبعاد، وحدة دمج التنسور لنمذجة التفاعلات عبر الأنواع، وشبكة عميقة متبقية للتصنيف متعدد الفئات. تتم مقارنة أداء TF-DWGNet ضد مجموعة متنوعة من الأسس، بما في ذلك RF وGCN، من خلال دراسات الإزالة التي تعزل آثار بناء الرسوم البيانية، واستراتيجية الدمج، والاتجاهية. تشمل مقاييس التقييم الدقة، وF1 الموزونة، وF1 الماكرو، مع تقييم الأهمية الإحصائية باستخدام اختبارات Welch الزوجية \( t \) عبر 20 تقسيمًا مستقلًا للتدريب والتحقق والاختبار.
النتائج
تسلط نتائج الدراسة الضوء على فعالية نموذج TF-DWGNet في مهام تصنيف الأوميات المتعددة، وخاصة في سرطان الثدي (BRCA)، وسرطان بطانة الرحم (UCEC)، وسرطان الكلى الشامل (KIPAN). تظهر الرسوم البيانية الموجهة الموزونة التي تم بناؤها لكل نوع من الأوميات ضغطًا تكيفيًا، مع عدد العقد يتراوح من حوالي 150 إلى 900 ونسب الحواف إلى العقد تتراوح بين 2 و9، مما يضمن الندرة مع الحفاظ على الاتصال لتمرير الرسائل الفعال في الشبكات العصبية الرسومية (GNNs). يتفوق TF-DWGNet باستمرار على متغيراته الإزالة والنماذج الأساسية عبر جميع مجموعات البيانات، محققًا تحسينات كبيرة في الدقة ودرجات F1، وخاصة في BRCA، حيث يتجاوز أضعف نموذج أساسي بأكثر من 8% في الدقة ويظهر مكاسب أكبر في مقاييس F1.
تؤكد التحليلات الإحصائية، بما في ذلك اختبارات Welch الزوجية، على قوة أداء TF-DWGNet، حيث كانت معظم التحسينات في BRCA ذات دلالة عالية (p-value < 0.001). كما أن قابلية تفسير ميزات النموذج جديرة بالملاحظة، حيث تحدد العلامات الحيوية التي تتماشى مع بيولوجيا السرطان المعروفة، مثل FAM134B وFOXC1، مما يشير إلى إمكاناته في تسليط الضوء على العلامات ذات الصلة البيولوجية. بالإضافة إلى ذلك، يوازن النموذج بشكل تكيفي المساهمات من أنواع الأوميات المختلفة، كاشفًا أنه بينما تساهم ميثيل الحمض النووي، وmRNA، وmiRNA بشكل متساوٍ في BRCA، تهيمن ميثيل الحمض النووي في UCEC وKIPAN. يبرز هذا الدمج التكيفي قدرة TF-DWGNet على الاستفادة من بيانات الأوميات غير المتجانسة بفعالية، مما يمهد الطريق للتحقيقات المستقبلية في أنشطة المسارات المنسقة وآليات التنظيم.
المناقشة
يقدم إطار عمل TF-DWGNet نهجًا جديدًا لتصنيف أنواع السرطان الفرعية متعددة الأوميات من خلال دمج تعلم الرسوم البيانية الموجهة الموزونة مع دمج الميزات القائم على التنسور في بنية تحت إشراف كامل. تستخدم الطريقة مصنفات XGBoost لتحديد الميزات المفيدة من مجموعات بيانات الأوميات المختلفة، مما يبني رسوم بيانية موجهة موزونة تلتقط التبعيات المحددة للمهام بين الميزات. تتم معالجة هذه الرسوم البيانية بعد ذلك من خلال شبكة عصبية رسومية (GNN) لاشتقاق التضمينات أحادية الأبعاد، والتي يتم دمجها بعد ذلك في تمثيل تنسوري يقوم بنمذجة التفاعلات أحادية، ثنائية، وثلاثية الأبعاد. يتم تقريب التنسور باستخدام التحلل متعدد الأبعاد القياسي (CP)، مما يقلل بشكل كبير من التعقيد الحسابي مع الاحتفاظ بمعلومات التفاعل الأساسية.
تظهر فعالية الإطار من خلال تجارب شاملة على ثلاث مجموعات بيانات متميزة لأنواع السرطان الفرعية (BRCA، UCEC، وKIPAN)، حيث يتفوق TF-DWGNet باستمرار على الأسس التقليدية وعميقة التعلم عبر مقاييس تقييم متعددة. بشكل ملحوظ، لا يعزز النموذج فقط الدقة التنبؤية ولكنه يوفر أيضًا مخرجات قابلة للتفسير، بما في ذلك درجات مساهمة المستوى النوعي وترتيب أهمية الميزات. تسهل هذه الرؤى تحديد المحركات الجزيئية المحتملة والأنماط المحددة لمجموعات البيانات، مما يدعم علم الأورام الدقيق ويعزز فهمنا لتنوع أنواع السرطان الفرعية. بشكل عام، يمثل TF-DWGNet حلاً قويًا وقابلًا للتفسير لدمج بيانات الأوميات المتعددة، مع آثار واعدة للتطبيقات السريرية.
DOI: https://doi.org/10.1093/nargab/lqag054
PMID: https://pubmed.ncbi.nlm.nih.gov/42221877
Publication Date: 2026-03-27
Author(s): Tiantian Yang et al.
Primary Topic: Brain Tumor Detection and Classification
Overview
The research introduces TF-DWGNet, an innovative Graph Neural Network (GNN) framework designed for the classification of cancer subtypes through the integration of multi-omics data. This framework addresses the challenges posed by the heterogeneous and high-dimensional nature of such data, which often exhibit complex dependencies. TF-DWGNet enhances traditional GNN approaches by implementing a supervised tree-based strategy for constructing directed, weighted graphs specific to each omics modality, alongside a tensor fusion mechanism that efficiently captures interactions across unimodal, bimodal, and trimodal data using low-rank decomposition.
Empirical evaluations on three real-world cancer datasets reveal that TF-DWGNet consistently surpasses existing state-of-the-art methods across various performance metrics. The model not only demonstrates robust predictive capabilities but also offers interpretable outputs, such as modality-level contribution scores and ranked feature importance, which facilitate the identification of potential molecular drivers and dataset-specific patterns. This interpretability is crucial for advancing biological investigations and generating clinical hypotheses. Overall, TF-DWGNet represents a significant advancement in multi-omics integration, with the flexibility to incorporate additional omics types and a strong potential to enhance precision oncology and our understanding of cancer subtype diversity.
Introduction
The introduction of this research paper highlights the significant challenges posed by cancer, characterized by uncontrolled cell growth and genetic instability, which necessitate precise subtype classification for effective precision medicine. The authors emphasize the complexity of tumor biology and the limitations of traditional single-omics analyses, advocating for the integration of multi-omics data—such as DNA methylation, mRNA, and miRNA expression—through advanced computational frameworks. Despite the potential of geometric deep learning, particularly graph neural networks (GNNs), to model non-Euclidean biological structures, existing methods often struggle with graph construction, multi-omics integration, and interpretability.
To address these limitations, the authors propose TF-DWGNet, a novel GNN-based framework designed for interpretable multi-omics integration and cancer subtype classification. Key innovations include the construction of supervised directed weighted graphs that reflect biological interactions, a low-rank tensor fusion module to capture complex interactions across omics layers, and built-in interpretability features that provide insights into feature importance and modality contributions. TF-DWGNet aims to enhance the accuracy and interpretability of cancer subtype predictions while accommodating diverse omics modalities in a unified framework.
Methods
The methodology section outlines the framework and experimental design for the proposed TF-DWGNet (Tensor Fusion on Directed Weighted Graph Network) aimed at multimodal representation learning from three omics datasets. The input feature matrix \( X \in \mathbb{R}^{n \times p} \) is transformed into a feature graph \( G(V, E) \) with an adjacency matrix \( A \) that includes self-loops, resulting in a normalized adjacency matrix \( D^{-1/2} \tilde{A} D^{-1/2} \). The objective is to construct directed weighted graphs \( G_i \) for each dataset and learn a predictive function \( f_2: G \to Y \) that minimizes the discrepancy between true and predicted labels.
The TF-DWGNet framework consists of four modules: an XGBoost module for feature selection and graph construction, a Graph Neural Network (GNN) module for learning unimodal embeddings, a Tensor Fusion module for modeling interactions across modalities, and a Deep Residual Network for multiclass classification. The performance of TF-DWGNet is compared against various baselines, including RF and GCN, through ablation studies that isolate the effects of graph construction, fusion strategy, and directionality. Evaluation metrics include Accuracy, F1-weighted, and F1-macro scores, with statistical significance assessed using pairwise Welch’s \( t \)-tests across 20 independent training-validation-test splits.
Results
The results of the study highlight the effectiveness of the TF-DWGNet model in multi-omics classification tasks, particularly in breast cancer (BRCA), uterine corpus endometrial carcinoma (UCEC), and kidney pan-cancer (KIPAN). The constructed directed weighted graphs for each omics modality exhibit adaptive compression, with node counts ranging from approximately 150 to 900 and edge-to-node ratios between 2 and 9, ensuring sparsity while maintaining connectivity for effective message passing in graph neural networks (GNNs). TF-DWGNet consistently outperforms its ablation variants and baseline models across all datasets, achieving significant improvements in accuracy and F1 scores, particularly in BRCA, where it surpasses the weakest baseline by over 8% in accuracy and shows even larger gains in F1 metrics.
Statistical analyses, including pairwise Welch’s t-tests, confirm the robustness of TF-DWGNet’s performance, with most improvements in BRCA being highly significant (p-value < 0.001). The model's feature interpretability is also noteworthy, as it identifies biomarkers that align with established cancer biology, such as FAM134B and FOXC1, indicating its potential to highlight biologically relevant markers. Additionally, the model adaptively weighs contributions from different omics modalities, revealing that while DNA methylation, mRNA, and miRNA contribute comparably in BRCA, DNA methylation dominates in UCEC and KIPAN. This adaptive integration underscores TF-DWGNet's capacity to leverage heterogeneous omic data effectively, paving the way for future investigations into coordinated pathway activities and regulatory mechanisms.
Discussion
The TF-DWGNet framework presents a novel approach for multi-omics cancer subtype classification by integrating directed weighted graph learning with tensor-based feature fusion in a fully supervised architecture. The method employs XGBoost classifiers to identify informative features from various omics datasets, constructing directed weighted graphs that capture task-specific dependencies among features. These graphs are then processed through a Graph Neural Network (GNN) to derive unimodal embeddings, which are subsequently fused into a tensor representation that models unimodal, bimodal, and trimodal interactions. The tensor is approximated using Canonical Polyadic (CP) decomposition, significantly reducing computational complexity while retaining essential interaction information.
The framework’s efficacy is demonstrated through comprehensive experiments on three distinct cancer subtype datasets (BRCA, UCEC, and KIPAN), where TF-DWGNet consistently outperforms classical and deep learning baselines across multiple evaluation metrics. Notably, the model not only enhances predictive accuracy but also provides interpretable outputs, including modality-level contribution scores and feature importance rankings. These insights facilitate the identification of potential molecular drivers and dataset-specific patterns, thereby supporting precision oncology and advancing our understanding of cancer subtype heterogeneity. Overall, TF-DWGNet represents a robust and interpretable solution for integrating multi-omics data, with promising implications for clinical applications.