新的MOGONET优于现有的监督多组学综合分析方法

　　

　　

　　基因组学、蛋白质组学、代谢组学、转录组学——高通量生物医学技术的快速发展使得越来越多的组学数据收集具有前所未有的细节。但是，如何最好地利用组学数据中的相互作用和互补信息?

　　为了充分利用组学技术的进步来实现对人类疾病背后的生物过程的更全面的理解，来自reggenstrief研究所和印第安纳州、普渡大学和杜兰大学的研究人员开发并测试了MOGONET，一种新的多组学数据分析算法和计算方法。整合来自各种组学的数据提供了对人类疾病背后的生物过程的更全面的看法。创建者已经将MOGonET开源，免费并对所有研究人员开放。

　　在《自然通讯》上发表的一项研究中，科学家们证明了MOGONET，即多组学图卷积网络的缩写，优于现有的使用mRNA表达数据、DNA甲基化数据和microRNA表达数据的不同生物医学分类应用的监督多组学综合分析方法。

　　他们还确定MOGonET可以从不同的组学数据类型中识别重要的组学特征和生物标志物。

　　“借助我们的新人工智能工具MOGONET，我们利用基于神经网络的机器学习来捕捉复杂的生物过程关系。我们已经对组学有了更全面的了解，也正在更多地了解生物标志物帮助我们区分的疾病亚型，”领导这项研究的雷根斯特里夫研究所科学家黄坤博士说。“最终目标是改善疾病预后，增强疾病结局预测。”作为一名生物信息学家，他把MOGonET研究小组的多样性归功于它的发展和成功，该小组包括计算机科学家、数据科学家和生物信息学家，他们的观点各不相同。他是印第安纳大学精准健康计划的数据科学和信息学主任。

　　研究人员在与阿尔茨海默病、神经胶质瘤、肾癌和乳腺癌相关的数据集以及健康患者数据集上测试了MOGonET。他们确定MOGonET轻松优于现有的监督多组学集成方法。

　　Drs。Huang和Zhang计划将这项工作扩展到组学之外，包括成像数据，他们注意到大量的AD脑图像和癌症相关病理图像，这些图像可以教会MOGonET识别以前没有遇到过的病例。两位科学家都指出，经过严格的临床研究，MOGonET可以在许多领域支持改善患者护理。

　　除了博士。“MOGonET使用图卷积网络集成多组学数据，允许患者分类和生物标志物识别”的作者黄和张是印第安纳大学的王彤鑫博士，唐海旭博士，印第安纳大学医学院的邵伟博士;美国印第安纳大学医学院和普渡大学黄智;美国杜兰大学丁正明博士。王博士在黄博士的实验室工作。丁博士曾就职于印第安纳大学，是机器学习领域的专家。

　　MOGonET的开发和测试得到了美国国立卫生研究院拨款R01EB025018和U54AG065181以及印第安纳大学精准健康计划的支持。