DRIVE: Machine Learning to Identify Drivers of Cancer with High-Dimensional Genomic Data & Imputed Labels
Cambridge Cancer Genomics（剑桥癌症基因组学公司）；The University of Edinburgh（爱丁堡大学）
识别驱动癌症生长的突变是临床决策和精确肿瘤学的关键。由于驱动突变赋予选择性优势，因此发生的可能性增加，因此目前倾向于使用基于频率的统计模型。这些方法不适用于罕见的、低频率的驱动突变。解决这个问题的另一种方法是通过功能影响评分，但是使用这种方法的方法非常容易出现误报。在本文中，我们提出了一种新的驱动程序突变识别的组合方法，它使用的统计建模和功能影响的方法的力量。初步结果表明，这种方法优于国家的最先进的方法在精度方面，并提供了相当的性能在受试者工作特征曲线（AU-ROC）下的面积。我们相信，基于机器学习的数据驱动系统，例如这些，将在不久的将来成为精准肿瘤学的一个组成部分。
2021-05-02 cs.LG q-bio.GN
Cancer classification and pathway discovery using non-negative matrix factorization
从全方位测序数据中提取遗传信息对于理解疾病非常重要。我们提出了一种新的方法来有效地探索基因突变的景观，并将它们聚集起来预测癌症类型。我们使用多项逻辑回归，非光滑非负矩阵分解（nsNMF）和支持向量机（SVM）来利用全范围的测序数据，旨在更好地聚集基因突变并提高其预测癌症类型的能力。具体而言，我们引入了一个分类器，使用从全外显子组测序数据获得的体细胞突变来区分癌症类型。从多种癌症中鉴定突变，并使用SIFT、PP2和CADD进行评分，并在个体基因水平上进行分组。然后应用nsNMF降维并获得系数矩阵和基矩阵。从所获得的矩阵导出特征矩阵，以利用SVM模型训练用于癌症类型分类的分类器。我们已经证明，分类器能够以合理的准确度区分癌症类型。在使用突变计数作为特征的五重交叉验证中，平均预测准确率为77.1%（SEM=0.1%），显著优于基线和使用突变评分作为特征的模型。使用来自nsNMF的因子矩阵，我们确定了与每种癌症类型显著相关的多个基因和途径。这项研究提供了一个通用和完整的管道来研究体细胞突变和癌症之间的关联。发现的与每种癌症类型相关的基因和途径可以导致生物学见解。所提出的方法可以适用于其他疾病分类和途径发现的研究。
2018-10-08 cs.CE q-bio.GN
The impact of deleterious passenger mutations on cancer progression
癌症进展是由肿瘤中积累的少量遗传改变驱动的。这几个驱动改变存在于癌症基因组中，与成千上万的其他突变一起存在，这些突变被广泛认为在癌症中没有作用，并被称为乘客。然而，许多乘客属于蛋白质编码基因和其他功能元件，可能对癌细胞产生有害影响。在这里，我们调查了潜在的轻度有害乘客积累和改变过程中的肿瘤进展。我们的方法将癌症进展的进化模拟与癌症测序数据的分析相结合。在我们的模拟中，单个细胞随机分裂，获得有利的驱动突变和有害的乘客突变，或者死亡。令人惊讶的是，尽管选择对他们不利，乘客积累，并在很大程度上逃避选择过程中的进展。虽然个别弱，乘客的集体负担改变了进展的过程，导致肿瘤学中观察到的几种现象，不能用传统的以司机为中心的观点来解释。我们使用癌症基因组数据测试了模型的预测。我们发现，许多乘客突变可能是有害的，并且与模型一致，它们在很大程度上逃避了净化选择。最后，我们使用我们的模型来探索癌症治疗，通过1）增加突变率或2）加剧其有害影响来利用乘客的负载。虽然这两种方法都导致癌症消退，但后者导致复发频率较低。我们的研究结果为理解癌症进展提供了一个新的框架，即驾驶员和乘客突变的平衡。
2012-08-30 q-bio.GN q-bio.PE
Detection of gene communities in multi-networks reveals cancer drivers
我们提出了一种新的基于多网络的策略来整合不同层次的基因组信息，并以协调的方式使用它们来识别驱动癌症的基因。我们考虑的多网络结合了转录因子共靶向、microRNA共靶向、蛋白质相互作用和基因共表达网络。这种选择背后的基本原理是基因共表达和蛋白质相互作用需要紧密的配偶体共调节，并且只有结合转录和转录后调节层才能获得这种微调调节。为了从多网络中提取相关的生物信息，我们研究了它的社区划分。为此，我们采用了一种共识聚类算法的基础上，最先进的社区检测方法。即使我们的程序原则上对本工作中的任何病理学都有效，我们也集中在胃癌、肺癌、胰腺癌和结直肠癌上，并从多网络社区的富集分析中确定了一组候选驱动癌症基因。其中一些是已知的癌基因，而一些是新的。不同信息层的组合使我们能够从多网络指示中提取已知和新候选驱动基因的调控模式和功能作用。
2015-12-09 physics.bio-ph physics.data-an physics.soc-ph
CAMIRADA: Cancer microRNA association discovery algorithm, a case study on breast cancer
在最近的研究中，非编码蛋白RNA已被鉴定为微小RNA，可用作癌症早期诊断和治疗的生物标志物，从而降低癌症的死亡率。一个microRNA可能靶向数百或数千个基因，而一个基因可能调控多个microRNA，因此确定哪种microRNA与哪种癌症相关是一个巨大的挑战。已经进行了许多计算方法来检测micoRNA与癌症的关联，但需要更高的准确性。越来越多的研究表明microRNA与转录因子的关系在肿瘤诊断中起着重要作用。因此，我们开发了一个新的计算框架（CAMIRADA）来识别癌症相关的microRNA的基础上的microRNA和疾病基因（DG）的蛋白质网络中，microRNA和转录因子（TF）的功能关系的共表达网络中，microRNA和差异表达基因（DEG）之间的关系。应用CAMIRADA评估来自两个HMDD和miR2Disease数据库的乳腺癌数据。在这项研究中，列表顶部的65种microRNA的AUC为0.95，这比用于检测与癌动脉相关的microRNA的类似方法更准确。
2018-06-16 cs.CE q-bio.GN q-bio.MN
Spatial cancer systems biology resolves heterotypic interactions and identifies disruption of spatial hierarchy as a pathological driver event
空间注释的单细胞数据集为解剖发育和疾病中的细胞间通讯提供了前所未有的机会。异型信号传导包括不同细胞类型之间的相互作用，并在组织发育和空间组织中得到充分建立。上皮组织需要几个不同的程序，这些程序受到严格的调控。平面细胞极性是上皮细胞沿垂直于顶基轴的平面轴的组织。在这项研究中，我们调查平面细胞极性因子，并探讨发展调节恶性驱动程序的影响。利用癌症系统生物学分析，我们推导出皮肤黑色素瘤中WNT配体（WNT）及其同源卷曲（FZD）受体的基因表达网络。由多个序列比对的无监督聚类支持的谱基于基础发育空间程序鉴定配体非依赖性信号传导和对转移进展的影响。组学研究和空间生物学将发育程序与肿瘤学事件联系起来，并解释了转移侵袭性的关键空间特征。突出的平面细胞极性因子，如恶性黑色素瘤中WNT和FZD家族的具体代表的失调，重演了正常黑色素细胞的发育程序，但在一个不受控制的和混乱的方式。
2023-03-02 q-bio.CB q-bio.GN q-bio.MN
Soft-Evidence Fused Graph Neural Network for Cancer Driver Gene Identification across Multi-View Biological Graphs
The Faculty of Electrical Engineering and Computer Science, Ningbo University, Ningbo, China（电子工程与计算机科学学院，宁波大学，宁波，中国）
针对现有方法忽略网络异质性和冲突信息的问题，提出SEFGNN框架，在决策层利用Dempster-Shafer理论融合多网络证据，并引入软证据平滑模块，在三个癌症数据集上优于现有基线，有效识别癌症驱动基因。
2025-10-07 cs.AI cs.LG q-bio.GN
Algorithmic Methods to Infer the Evolutionary Trajectories in Cancer Progression
癌症固有的基因组进化直接涉及对大量下一代测序（NGS）数据的重新关注，以及用于推断（epi）基因组事件如何在癌症起始和发展中编排的解释性模型的机器学习。然而，尽管多个额外组学数据的可用性不断增加，但这一探索却因各种理论和技术障碍而受挫，这些障碍主要源于疾病的巨大异质性。在本文中，我们建立在我们最近的工作在癌症进展的驱动突变之间的“选择性优势”的关系，并探讨其适用性的建模问题，在人口水平。在这里，我们介绍PiCnIc（癌症推断管道），这是一个多功能，模块化和可定制的管道，用于从截面测序的癌症基因组中提取整体水平的进展模型。管道有许多翻译的影响，因为它结合了国家的最先进的技术，样本分层，司机选择，识别健身等效的独家改变和进展模型推理。我们证明了PiCnIc的能力，以再现目前的知识结直肠癌的进展，以及提出新的实验验证的假设。
2017-03-08 q-bio.GN
PathGene: Benchmarking Driver Gene Mutations and Exon Prediction Using Multicenter Lung Cancer Histopathology Image Dataset
PathGene通过多中心肺癌病理图像数据集，利用多实例学习方法提升驱动基因突变和外显子预测的准确性，助力精准肿瘤学发展。
2025-11-27 cs.AI q-bio.GN
Noncoding RNAs serve as the deadliest regulators for cancer
癌症是人类死亡的主要原因之一。许多人努力了解其机制，并进一步确定了许多蛋白质和DNA序列变异作为疑似治疗靶点。然而，针对这些靶点的药物成功率很低，这表明其基本机制仍不清楚。在这里，我们开发了一个计算软件，将Cox比例风险模型和稳定性选择相结合，以挖掘隐藏在癌症基因组图谱（TCGA）海量数据中的被忽视但最重要的癌症驱动因素，包括11，574个RNAseq样本和临床数据。一般来说，非编码RNA主要调节癌症死亡，并作为最致命的癌症诱导剂和抑制剂，与传统认为的蛋白质相反。特别是，加工假基因作为主要的癌症诱导物，而lincRNA和反义RNA占主导地位的阻遏物。引人注目的是，非编码RNA是所有癌症类型的通用最强调节因子，尽管个人临床变量（如酒精和吸烟）会显著改变癌症基因组。此外，非编码RNA还作为癌症调控网络的中心枢纽和区分癌症类型的生物标志物发挥作用。因此，非编码RNA总体上是最致命的癌症调节因子，这刷新了癌症机制的基本概念，并为癌症研究和治疗奠定了新的基础。假基因的生物学功能很少被认识。在这里，我们从大数据中揭示它们是所有癌症类型最重要的癌症驱动因素，打破了探索其生物学潜力的障碍。
2019-10-08 q-bio.GN q-bio.MN
Foundation-model-guided radiogenomic discovery linking cancer genomes to cancer scans
University Hospital RWTH Aachen（RWTH亚琛大学医院）；TU Dresden（德累斯顿技术大学）；TUD Dresden University of Technology（德累斯顿技术大学）；Heidelberg University Hospital（海德堡大学医院）
研究将基于Evo~2的基因组分析与临床成像结合，全基因组识别基因-表型关联。对TCGA队列体细胞突变用Evo~2预测严重程度评分，与放射组学特征关联。在TCGA-cRCC中恢复已知驱动基因，发现新的显著基因，证明该方法可发现传统方法难以察觉的基因-成像关联。
2026-07-24 cs.AI q-bio.GN
GenVarFormer: Predicting gene expression from long-range mutations in cancer
本文提出基于 transformer 的 GenVarFormer，通过突变及局部 DNA 上下文建模最远 800 万碱基对的表达调控，在乳腺癌数据中显著提升预测、泛化和生存预后性能。
2025-09-29 q-bio.GN
An exact method to compute a $p$-value for the beyond-pairwise correlations among cancer gene mutations
越来越多的观察到癌症基因突变之间的互斥相关性是识别癌症基因组分析中的驱动事件或途径的关键组成部分。在这里，我们报告了一个严格的统计方法来计算一个精确的$p$值的超越成对互斥或癌症基因突变之间的共现关系，通过枚举一个空分布的重叠突变在两个以上的基因。我们的方法的有效性和优势，明确证明了在癌症基因突变和模拟数据，通过比较置换测试。
2015-05-18 q-bio.GN q-bio.QM
Pan-cancer gene set discovery via scRNA-seq for optimal deep learning based downstream tasks
LG AI Research（LG人工智能研究院）
本研究针对泛癌研究中RNA-seq数据高维复杂的问题，提出基于scRNA-seq结合hdWGCNA与XGBoost筛选基因集的方法，在多个泛癌下游深度学习任务中性能优于参考基因集，还发现了关键泛癌生物标志物。
2024-08-13 cs.LG q-bio.GN
Quantum AI for Cancer Diagnostic Biomarker Discovery
Department of Electrical and Computer Engineering, North Carolina State University, NC, USA（电气与计算机工程系，北卡罗来纳州立大学，NC，USA）；Department of Biochemistry, Purdue University, IN, USA（生物化学系，普渡大学，IN，USA）；Department of Chemistry, North Carolina State University, Raleigh, NC 27695（化学系，北卡罗来纳州立大学，雷德伍德，NC 27695）
本文利用量子机器学习识别肺癌亚型特异性生物标志物，开发量子分类器提升诊断精度，并展示量子计算在处理大规模多组学数据中的优势。
2026-04-18 cs.LG q-bio.GN
Bayesian multi-domain learning for cancer subtype discovery from next-generation sequencing count data
Texas A&M University（德州农工大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
精准医学旨在通过利用最新的基因组规模高通量分析技术（包括下一代测序（NGS））进行个性化预后和治疗。然而，翻译NGS数据面临着一些挑战。首先，NGS计数数据往往过于分散，需要适当的建模。其次，与涉及的分子数量和系统复杂性相比，用于研究复杂疾病（如癌症）的可用样本数量往往有限，特别是考虑到疾病的异质性。关键问题是我们是否可以整合来自所有不同来源或领域的可用数据，以实现基于NGS计数数据的可重现疾病预后。在本文中，我们开发了一种贝叶斯多域学习（BMDL）模型，该模型基于分层负二项分解推导出过度分散计数数据的域相关潜在表示，即使特定癌症类型的样本数量很小，也可以进行准确的癌症亚型分型。来自癌症基因组图谱（TCGA）的模拟数据集和NGS数据集的实验结果表明，BMDL在有效的多领域学习中具有很大的潜力，而不会产生现有多任务学习和迁移学习方法中常见的“负迁移”效应。
2018-10-22 cs.LG q-bio.GN stat.AP
Deep Pathomic Learning Defines Prognostic Subtypes and Molecular Drivers in Colorectal Cancer
Zhongnan Hospital of Wuhan University（武汉大学中南医院）；School & Hospital of Stomatology, Wuhan University（武汉大学口腔医学院/口腔医院）；Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
针对结直肠癌精准预后分层难题，本研究开发多示例学习模型TDAM-CRC，在多队列中验证其优于传统分期及现有模型的分层性能，结合多组学识别关键预后基因，构建可解释的临床决策工具。
2025-11-19 cs.AI cs.CV cs.LG
Understanding Breast Cancer Survival: Using Causality and Language Models on Multi-omics Data
Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Carnegie Mellon University（卡内基梅隆大学）
本文针对乳腺癌生存预测中因果发现评估困难的问题，利用PC、GES和广义精度矩阵算法分析705名患者的多组学数据，并结合BlueBERT等生物医学语言模型验证结果，以揭示可靠的临床因果关系。
2023-05-28 cs.CL cs.LG q-bio.GN
OmicsCL: Unsupervised Contrastive Learning for Cancer Subtype Discovery and Survival Stratification
Department of Computer Science University of Basel（计算机科学系 巴塞尔大学）
提出OmicsCL框架，通过生存感知对比损失将异构多组学数据嵌入统一潜在空间，无需标签即可发现癌症亚型并实现生存分层，在TCGA BRCA数据集上表现出强无监督一致性和鲁棒性。
2025-05-01 cs.AI cs.LG q-bio.GN
Identifying multi-omics interactions for lung cancer drug targets discovery using Kernel Machine Regression
Department of Information and Communication Technology, Mawlana Bhashani Science and Technology University, Santosh, Tangail, 1902, Dhaka, Bangladesh（信息与通信技术系，穆拉纳巴沙尼科学与技术大学）；Department of Computer Science, Tulane University, New Orleans, LA, USA（计算机科学系，杜兰大学）；Bioinformatics Institute (BII), Agency for Science, Technology and Research (A*STAR), 138632, Singapore（生物信息学研究所（BII），科技研究局（A*STAR））；Tulane Center for Biomedical Informatics and Genomics, Deming Department of Medicine, Tulane University, New Orleans, LA 70112, USA（杜兰大学生物医学信息学与基因组学中心，医学部）；Ochsner Center for Outcomes Research, Ochsner Research, New Orleans, LA 70121, USA（Ochsner研究中心，Ochsner研究）
该研究整合TCGA肺癌多组学数据，结合差异分析与KMR识别组学相互作用，发现38个相关基因、8个重点靶点及3种候选药物。
2025-10-17 cs.LG q-bio.GN
The degenerative evolution from multicellularity to unicellularity during cancer
理论推理表明，人类癌症可能是由于敲低了为维持后生动物多细胞性而进化的遗传限制，然而，这需要一个关键的测试。使用基于异种移植的实验进化，我们首次在基因组和转录组水平上表征了肿瘤从开始到转移的完整生命史，并观察到一组多细胞相关基因上通常功能丧失突变的转移驱动正选择，这进一步得到了临床肿瘤样本的大规模外显子组数据的支持。随后的表达分析显示，主要是多细胞相关基因的表达下调，这形成了一个不断发展的表达谱接近胚胎干细胞，细胞类型与单细胞生命的最大特征。理论推测预测，在后生动物多细胞出现时出生的基因往往是癌症驱动因素，我们使用严格的生物地层学分析对癌症基因普查所注释的基因的出生率进行了验证。此外，在人类患者的典型肿瘤中，功能丧失的肿瘤抑制因子的数量通常超过活化的癌基因。这些数据共同表明，与获得新基因是主流的典型生物进化不同，癌症代表了功能丧失驱动的退化进化回到单细胞基态。这种癌症演变模型可以解释临床上巨大的肿瘤遗传异质性，尽管有不同的环境要求，但原发性肿瘤中的远距离器官转移是如何起源的，并对设计有效的癌症治疗方法产生影响。
2014-08-14 q-bio.GN
A Spatial Simulation Approach to Account for Protein Structure When Identifying Non-Random Somatic Mutations
背景资料：目前的研究表明，一小部分“驱动”突变是肿瘤发生的原因，而更多的“乘客”突变发生在肿瘤中，但不会使疾病进展。由于最近在治疗由驱动突变引起的癌症方面的药理学成功，已经开发了多种尝试鉴定此类突变的方法。基于驱动突变倾向于聚集在蛋白质的关键区域的假设，簇识别算法的开发变得至关重要。结果如下：我们开发了一种新的方法，空间蛋白质氨基酸聚类（SpacePAC），通过直接在3D空间中考虑蛋白质的三级结构来识别突变聚类。通过结合癌症体细胞突变目录（COSMIC）中的突变数据和蛋白质数据库（PDB）中的空间信息，SpacePAC能够识别许多蛋白质中的新突变簇，如FGFR 3和CHRM 2。此外，SpacePAC能够更好地定位最重要的突变热点，如BRAF和ALK病例所示。R软件包可在Bioconductor网站上获得：http://www.bioconductor.org/packages/release/bioc/html/SpacePAC.html结论：SpacePAC为识别突变簇增加了一个有价值的工具，同时考虑蛋白质三级结构
2013-10-29 q-bio.GN
Optimizing Prognostic Biomarker Discovery in Pancreatic Cancer Through Hybrid Ensemble Feature Selection and Multi-Omics Data
Department of Cancer Genetics, Institute for Cancer Research, Oslo University Hospital, Oslo, Norway（癌症遗传学系，癌症研究所，奥斯陆大学医院，奥斯陆，挪威）；Oslo Centre for Biostatistics and Epidemiology (OCBE), Department of Biostatistics, University of Oslo, Oslo, Norway（奥斯陆生物统计与流行病学中心（OCBE），生物统计学系，奥斯陆大学，奥斯陆，挪威）；Department of Informatics, University of Oslo, Oslo, Norway（信息学系，奥斯陆大学，奥斯陆，挪威）；Department of Statistics, Ludwig Maximilian University of Munich, Munich, Germany（统计学系，慕尼黑路德维希-马克西米利安大学，慕尼黑，德国）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML））
本文提出混合集成特征选择方法，结合数据子采样与多种预后模型，通过投票理论机制整合嵌入式和包装策略，提升胰腺癌预后生物标志物的预测性能和稳定性。
2025-09-02 cs.LG q-bio.GN q-bio.QM
Network-based Distance Metric with Application to Discover Disease Subtypes in Cancer
虽然我们曾经认为癌症是影响特定器官部位的单一整体疾病，但我们现在了解到，有许多癌症亚型由独特的基因突变模式定义。这些基因突变数据比基因表达数据更可靠，有助于确定亚型如何发展、进化和对治疗的反应。与大多数现有癌症亚型发现算法使用的密集连续值基因表达数据不同，体细胞突变数据是极其稀疏和异质的，因为在20，000个人类蛋白质编码基因中，离散值1/0的突变基因不到0.5%，并且相同的突变基因很少被癌症患者共享。我们的重点是使用无监督学习从离散的1和0值中极其稀疏和高维的基因突变数据中搜索癌症亚型。我们提出了一种新的基于网络的距离度量。我们将癌症患者的突变谱投影到他们的基因网络结构中，并使用网络中患者的基因之间和基因顶点之间的相似性来测量两个患者之间的距离。在合成数据和真实数据中的实验结果表明，我们的方法在癌症亚型发现方面优于顶级竞争对手。此外，我们的方法可以识别其他聚类算法在真实癌症数据中无法检测到的癌症亚型。
2017-03-01 cs.IR q-bio.GN q-bio.MN
HybridRanker: Integrating network structure and disease knowledge to prioritize cancer candidate genes
癌症基因鉴定是癌症遗传学研究中的一个重要领域，它影响着疾病的治疗和药物的发现。在这一领域已经做了许多研究。全基因组关联研究（GWAS）是其中之一，重点是确定染色体上的疾病易感基因座。最近，被称为基因优先级排序方法的计算方法已被用于识别候选疾病基因。基因优先排序方法整合了几个数据源，以发现和优先考虑最可能的候选疾病基因。在本文中，我们提出了一种优先级排序方法，称为HybridRanker，这是一种基于网络的技术，它也使用实验数据来识别候选癌症基因。我们将我们提出的方法应用于结直肠癌数据。值得注意的是，在HybridRanker中，为了考虑蛋白质-蛋白质相互作用网络的局部和全局网络信息，利用了不同的算法，例如最短路径，重新启动的随机行走和网络传播。通过使用这些算法，初始分数被赋予网络内的基因。此外，通过查看具有相似症状的疾病以及共病疾病，并通过提取其致病基因，重新计算基因分数。我们还使用基因-表型关系对候选基因进行额外的评分。在留一交叉验证实验中，与其他排序方法进行了比较，结果表明该方法具有更好的性能。
2016-04-25 cs.CE q-bio.GN
A Multi-Evidence Framework Rescues Low-Power Prognostic Signals and Rejects Statistical Artifacts in Cancer Genomics
针对癌症基因组学低功效队列中标准关联研究失效的问题，提出融合因果推断与多维度生物学验证的五标准多证据框架，可有效区分真假预后信号，为低功效队列分析提供新范式。
2025-10-21 cs.LG q-bio.GN
Analysis of ensemble feature selection for correlated high-dimensional RNA-Seq cancer data
University of Białystok（比亚韦斯托克大学）；University of Warsaw（华沙大学）
发现诊断和预后的分子标志物是重要的，并积极追求在癌症研究领域。对于复杂的疾病，这个过程通常使用机器学习来执行。目前的研究比较了两种方法发现相关变量：通过应用单一的功能选择算法，与不同的算法的合奏。这些方法用于使用来自癌症基因组图谱的RNA测序谱来识别与四种癌症类型的相关辨别的变量。比较是在两个方向进行的：评估模型的预测性能和监测选定的变量的稳定性。使用四个特征选择算法，即U-检验，ReliefF，和MDFS算法的两个变体来识别最具信息量的特征。使用随机森林算法进行正常和肿瘤组织的区分。当使用U检验时，特征集的稳定性最高。不幸的是，建立在从特征选择算法的集合获得的特征集上的模型并不比建立在从单个算法获得的特征集上的模型更好。另一方面，导致最佳分类结果的特征选择器在数据集之间变化。
2020-04-28 cs.LG q-bio.GN stat.ML
Cancer Gene Profiling through Unsupervised Discovery
精准医疗是医疗保健领域的一种范式转变，严重依赖基因组学数据。然而，生物相互作用的复杂性，大量的基因以及缺乏对数据分析的比较，仍然是临床采用的巨大瓶颈。在本文中，我们介绍了一种新的，自动和无监督的框架来发现低维基因生物标志物。我们的方法是基于LP-稳定性算法，高维中心为基础的无监督聚类算法，提供模块化的度量函数和可扩展性，同时能够自动确定最佳数量的集群。我们的评估包括数学和生物学标准。恢复的签名被应用于各种生物学任务，包括筛选生物学途径和功能，以及表征肿瘤类型和亚型的相关性。不同的距离度量，常用的聚类方法和参考基因签名在文献中使用的定量比较，确认我们的方法的最先进的性能。特别是，我们的签名，这是基于27个基因，报告至少$30$倍更好的数学意义（平均邓恩指数）和25%更好的生物学意义（平均富集蛋白质相互作用）比其他参考聚类方法产生的。最后，我们的签名报告了区分免疫炎性和免疫沙漠肿瘤的有希望的结果，同时报告了92%的肿瘤类型分类的高平衡准确度和68%的肿瘤亚型分类的平均平衡准确度，与参考签名相比，这分别代表了7%和9%的高性能。
2021-02-11 cs.LG q-bio.GN
Rare Genomic Subtype Discovery from RNA-seq via Autoencoder Embeddings and Stability-Aware Clustering
Department of Computer Science, University of Science and Technology Houari Boumediene (USTHB)（计算机科学系，哈里·布迈迪ene科学技术大学）
本研究结合自编码器嵌入与稳定性感知聚类方法，针对RNA-seq数据开展分析，在排除泛癌层面组织来源的干扰后，于KIRC癌种中识别出占比6.85%的稳定罕见可复现基因组亚型。
2025-11-17 cs.LG q-bio.GN
Pan-Cancer Mapping of the Tumor Immune Landscape through Metagene Clustering and Predictive Modeling
本研究通过元基因聚类和预测建模识别了48个稳健的免疫相关基因簇，并评估了其在多种癌症类型中的预后意义和功能相关性，揭示了免疫激活与调控因子的共表达等关键发现。
2026-03-28 cs.LG q-bio.GN
OncoNetExplainer: Explainable Predictions of Cancer Types Based on Gene Expression Data
Fraunhofer Institute for Applied Information Technology FIT（弗劳恩霍夫应用信息技术研究所FIT）；RWTH Aachen University（亚琛工业大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
重要生物标志物的发现是理解致癌的分子机制的重要一步;能够准确诊断和预后某种癌症类型。在推荐任何诊断之前，需要分析基因组学数据，如基因表达（GE）和临床结果。然而，基因组学数据的复杂性，高维性和异质性使得整体分析具有挑战性。卷积神经网络（CNN）在解决此类问题方面取得了巨大的成功。然而，神经网络模型大多被视为“黑箱”方法，因为它们的内部功能没有得到很好的理解。然而，可解释性对于提供关于为什么给定癌症病例具有某种类型的见解很重要。此外，找到最重要的生物标志物可以帮助推荐更准确的治疗和药物重新定位。在本文中，我们提出了一种名为OncoNetExplainer的新方法，可以根据GE数据对癌症类型进行可解释的预测。我们使用了来自泛癌症图谱的9，074名癌症患者的基因组学数据，涵盖了33种不同的癌症类型，我们使用引导梯度类激活图++（GradCAM++）训练了CNN和VGG 16网络。此外，我们生成类别特定的热图来识别重要的生物标志物，并计算特征重要性的平均绝对影响，以在所有癌症类型中排名最高的基因。定量和定性分析表明，两种模型在正确预测癌症类型方面表现出较高的置信度，平均精度为96.25%。为了提供与基线的比较，我们使用梯度提升树和SHapley加法解释（SHAP）鉴定了顶级基因和癌症特异性驱动基因。最后，我们的研究结果与TumorPortal提供的注释进行了验证。
2019-09-09 cs.LG q-bio.GN q-bio.QM
Effective Sub-clonal Cancer Representation to Predict Tumor Evolution
Cambridge Cancer Genomics（剑桥癌症基因组学公司）；The University of Edinburgh（爱丁堡大学）
大多数癌症治疗由于肿瘤内异质结（ITH）而失败。癌症中的ITH表现为克隆进化，其中不同的亚克隆在达尔文自然选择的条件下相互竞争资源。预测这些亚克隆在肿瘤中的生长是现代癌症研究的关键挑战之一。预测肿瘤行为能够为患者创建风险特征，并通过治疗靶向更有可能生长的亚克隆来优化治疗。目前在这一领域的研究工作主要集中在群体遗传学的数学建模上，以量化亚克隆的选择优势，从而能够预测哪些亚克隆更有可能生长。这些肿瘤演变模型基于对真实世界肿瘤微环境无效的假设。此外，这些模型通常适用于肿瘤的单个实例，因此预测模型无法验证。本文提出了一种使用数据驱动的机器学习方法预测癌症演变的替代方法。我们提出的方法是基于这样一种直觉，即如果我们能够捕获肿瘤内亚克隆的真实特征并以特征的形式表示，则可以训练复杂的机器学习算法来预测其行为。本文提出的工作提供了一种利用数据驱动方法预测癌症演变的新方法。我们坚信，来自微生物学家、肿瘤学家和机器学习研究人员的数据积累可以用来封装肿瘤亚克隆的真正本质，并在为患者选择最佳癌症治疗方法方面发挥至关重要的作用。
2019-11-28 cs.LG q-bio.GN stat.ML
Extracting replicable associations across multiple studies: algorithms for controlling the false discovery rate
在控制错误发现率的同时提取多项研究中重复出现的关联是一项根本挑战。在这里，我们考虑Efron的单研究两组模型的扩展，允许多个研究的联合分析。我们假设从每个研究中获得一组p值，研究者对至少在$k>1$研究中重复出现的关联感兴趣。我们提出了新的算法，不同的研究依赖关系是如何建模的。我们使用各种模拟场景比较了我们的新方法和其他方法。性能最好的算法SCREEN（可扩展的基于筛选器的可重复性增强）是我们的新算法，它基于三个阶段：（1）聚类研究的估计相关网络，（2）学习可重复性（例如，的基因），以及（3）使用动态编程跨簇合并结果。我们将SCREEN应用于两个真实数据集，并证明它大大优于通过标准荟萃分析获得的结果。首先，在29个病例对照大规模基因表达癌症研究的集合中，我们检测到与增殖和细胞周期调控相关的基因的大上调模块。这些基因在许多癌症研究中都一致上调，并且在已知的基因网络中有很好的联系。其次，在最近的一项泛癌症研究中，我们检测了HLA复合体中有或没有突变的患者的表达谱，检测到与免疫反应相关的上调基因的活性模块。由于我们能够量化错误发现率，我们检测到的基因比最初的研究多三倍。我们的模块包含了原始研究中报道的大部分基因，以及许多新的基因。有趣的是，新发现的基因需要建立模块的连接性。
2016-09-07 q-bio.GN stat.CO stat.ME
Gene expression analysis reveals a strong signature of an interferon induced pathway in childhood lymphoblastic leukemia as well as in breast and ovarian cancer
流行病学研究表明，感染在人类癌症的病因学中起一定作用。虽然在某些癌症中确实证明了这种作用，但病毒病原体在儿童白血病发病机制中的作用没有直接的生物学支持。使用一种新的生物信息学工具，在聚类和标准统计分析方法之间交替，我们对具有不同儿童ALL亚型的受试者的已发表基因表达数据进行了“双盲”搜索，寻找由具有相关表达的意外基因组诱导的患者的意外分区。我们发现了一组约30个基因，与干扰素反应途径有关，其表达水平将ALL样本分为两个亚组：50例患者高，285例患者低。在儿童早期（最易感染的年龄）流行的白血病亚类在高表达亚组中过度代表。在乳腺癌和卵巢癌中也发现了由相同基因诱导的类似分区，但在肺癌、前列腺癌和淋巴瘤中没有发现。大约40%的乳腺癌样本表达了“干扰素相关”的特征。令人感兴趣的是，几项研究证明了约40%的乳腺癌样本中存在MMTV样序列。我们对干扰素诱导途径的一个意想不到的强烈特征的发现为炎症或病毒感染在儿童白血病以及乳腺癌和卵巢癌发病机制中的作用提供了分子支持。
2005-11-14 q-bio.GN q-bio.MN
CIBRA identifies genomic alterations with a system-wide impact on tumor biology
CIBRA通过整合基因组学和转录组学数据，识别对肿瘤生物学具有系统级影响的基因组改变，并发现结构变异的影响常被低估，可用于优先排序癌症生物标志物。
2024-03-06 q-bio.GN q-bio.QM
Personalized graph feature-based multi-omics data integration for cancer subtype identification
针对多组学数据整合识别癌症亚型的挑战，提出基于患者特异性子网络结构特征整合的方法，在5种癌症数据集上验证了其优于或可比现有方法的性能，助力个性化癌症诊疗。
2024-08-16 cs.SI q-bio.GN q-bio.QM
XOmiVAE: an interpretable deep learning model for cancer classification using high-dimensional omics data
Imperial College London（帝国理工学院）；University College London（伦敦大学学院）；Hong Kong Baptist University（香港浸会大学）
缺乏可解释性是组学中深度学习应用最突出的缺点之一。这种“黑箱”问题可能会破坏生物医学深度学习模型的可信度，并限制其实际应用。在这里，我们提出了XOmiVAE，这是一种基于变分自动编码器（VAE）的可解释深度学习模型，用于使用高维组学数据进行癌症分类。XOmiVAE能够揭示每个基因和潜在维度对每个分类预测的贡献，以及每个基因和每个潜在维度之间的相关性。还证明了XOmiVAE不仅可以解释监督分类，还可以解释深度学习网络的无监督聚类结果。据我们所知，XOmiVAE是第一个基于激活水平的可解释深度学习模型之一，解释了VAE生成的新集群。XOmiVAE生成的可解释结果通过下游任务的性能和生物医学知识进行了验证。在我们的实验中，XOmiVAE对基于深度学习的癌症分类和聚类的解释与当前的领域知识（包括生物注释和学术文献）一致，这显示了从深度学习模型中发现新生物医学知识的巨大潜力。
2021-07-04 cs.AI cs.LG q-bio.GN
