
-
生物通官微
陪你抓住生命科技
跳动的脉搏
DMFF:一个基于深度学习的多组学融合框架,用于乳腺癌患者的生存预测和亚型分类
《Scientific Reports》:DMFF: a deep learning-based multi-omics fusion framework for survival prediction and subtype classification in breast cancer
【字体: 大 中 小 】 时间:2026年08月28日 来源:Scientific Reports 4.9
编辑推荐:
摘要肿瘤内的分子异质性在很大程度上导致了乳腺癌患者生存率的差异。尽管基于深度学习的多组学整合在预后建模方面展现出了潜力,但现有方法在模型评估过程中可能会受到信息泄露的影响,并且通常侧重于生存预测或分子亚型的发现。在这项研究中,我们开发了深度多模态融合框架(Deep Multi-m
肿瘤内的分子异质性在很大程度上导致了乳腺癌患者生存率的差异。尽管基于深度学习的多组学整合在预后建模方面展现出了潜力,但现有方法在模型评估过程中可能会受到信息泄露的影响,并且通常侧重于生存预测或分子亚型的发现。在这项研究中,我们开发了深度多模态融合框架(Deep Multi-modal Fusion Framework,简称DMFF),这是一个集成的计算框架,能够在统一的分析工作流程中支持连续的病人级生存风险估计和下游的从头分子亚型发现。DMFF利用特定模态的去噪自编码器从mRNA和miRNA数据中学习紧凑的表征,同时结合蛋白质-蛋白质相互作用网络引导的图形卷积网络来编码蛋白质组特征。通过基于注意力的融合模块,这些特定模态的表征能够被自适应地整合在一起。Cox部分似然损失和成对排序损失被共同优化,以生成连续的生存风险得分。为了最小化信息泄露,我们在嵌套五折交叉验证框架内进行了数据插补、标准化、特征预选、超参数优化和模型检查点选择。在嵌套交叉验证下,纯组学DMFF模型的C指数为0.656。将学习到的多组学表征与临床特征结合后(使用随机生存森林),联合模型的C指数提高到了0.706,并在预后区分能力上优于评估的基线模型。多变量Cox回归进一步表明,DMFF衍生的纯组学风险评分提供了独立于传统临床变量的预后信息。对融合的多组学表征进行的无监督聚类识别出三种具有不同生存结果的分子亚型,重复的子采样分析也支持了这种三亚型划分的稳定性。肿瘤微环境分析揭示了这三种亚型之间的免疫细胞富集模式差异。与PAM50内在亚型的比较表明,DMFF和PAM50的分类方法捕捉到了乳腺癌异质性的部分互补方面。由于本研究未包括免疫治疗暴露或治疗反应数据,因此所识别的免疫特征与免疫治疗反应之间的潜在关系应被视为探索性的和假设生成的。总体而言,DMFF提供了一个能够控制信息泄露的多组学生存预测和下游分子亚型发现框架,尽管其普适性需要在独立的多中心队列中进行进一步验证。