@TreehouseFi

#Treehouse dan $TREE

Kelahiran model TREE, telah melampaui batasan-batasan ini. Model TREE adalah model AI pembelajaran representasi graf berbasis Transformer, yang dapat menangani jaringan homogen dan heterogen, di mana jaringan homogen hanya berisi gen, sementara jaringan heterogen mencakup berbagai jenis simpul seperti faktor transkripsi (TF), miRNA, dan IncRNA.

▲(a) Pengumpulan data multi-omik dan pembangunan jaringan homogen/heterogen; (b) Diagram alur model keseluruhan untuk prediksi gen kanker; (c) Lapisan pembelajaran representasi gen model; (d) Modul integrasi multi-saluran.

02

"Kekuatan super" TREE

Penelitian menunjukkan bahwa TREE menunjukkan kinerja unggul di 8 jaringan bio-pancancer dan 31 jaringan spesifik kanker, dibandingkan dengan 5 metode AI berbasis jaringan lainnya, indikator AUC dan AUPR TREE menunjukkan hasil terbaik, dengan peningkatan AUC rata-rata sebesar 5,91% dan AUPR sebesar 9,87%, yang mencerminkan generalisasi dan ketahanan model.

Sementara itu, dalam hal interpretabilitas, TREE juga menunjukkan kinerja yang baik. Mutasi sangat penting dalam identifikasi gen kanker, dan TREE memiliki keunggulan dalam menentukan lokasi gen mutasi langka secara tepat, informasi heterogen memungkinkan TREE untuk memverifikasi mekanisme regulasi gen kanker yang signifikan melalui jalur jaringan.

▲Diagram Venn yang menunjukkan kandidat gen kanker yang diidentifikasi melalui semua metode

Setelah memberikan penilaian pada semua gen tidak terlabel yang umum dalam jaringan, TREE merekomendasikan 57 kandidat gen kanker potensial, yang dianggap mungkin terkait dengan kanker. Selanjutnya, para peneliti menguji kinerja model dengan seluruh dataset, hasilnya menunjukkan bahwa hasil evaluasi yang diberikan model sangat stabil dan konsisten, yang menunjukkan bahwa TREE adalah alat yang andal untuk mengidentifikasi kandidat gen kanker baru.