@TreehouseFi

#Treehouse i $TREE

Powstanie modelu TREE przełamało te ograniczenia. Model TREE to AI model uczenia reprezentacji grafów oparty na Transformerze, który może obsługiwać sieci jednorodne i heterogeniczne, gdzie sieć jednorodna zawiera wyłącznie geny, a sieć heterogeniczna zawiera różne typy węzłów, takie jak czynniki transkrypcyjne (TF), miRNA i IncRNA.

▲（a）Zbieranie danych multi-omicznych i budowa sieci jednorodnych/heterogenicznych;（b）Ogólny diagram przepływu modelu prognozowania genów nowotworowych;（c）Warstwa uczenia reprezentacji genów modelu;（d）Moduł integracji wielokanałowej.

02

"Supermoce" TREE

Badania wykazały, że TREE wykazuje doskonałe wyniki w 8 biologicznych sieciach nowotworowych i 31 sieciach specyficznych dla nowotworów, w porównaniu do 5 metod AI opartych na sieci, wskaźniki AUC i AUPR dla TREE były najlepsze, średni wzrost AUC wyniósł 5,91%, a AUPR wzrósł o 9,87%, co odzwierciedla ogólną i odporność modelu.

Jednocześnie w zakresie interpretowalności TREE również wypada doskonale. Mutacje są kluczowe w identyfikacji genów nowotworowych, a TREE ma przewagę w dokładnym lokalizowaniu rzadkich genów mutacyjnych, informacje heterogeniczne pozwalają TREE weryfikować istotne mechanizmy regulacji genów nowotworowych poprzez ścieżki sieciowe.

▲Wykres Venna złożony z genów kandydujących na nowotwór zidentyfikowanych przez wszystkie metody

Po ocenie wszystkich powszechnych nieoznaczonych genów w sieci, TREE zarekomendował 57 potencjalnych genów kandydujących na nowotwór, które mogą być związane z rakiem. Następnie badacze przetestowali wydajność modelu na całym zbiorze danych, a wyniki pokazały, że oceny modelu były stabilne i spójne, co wskazuje, że TREE jest niezawodnym narzędziem do identyfikacji nowych genów kandydujących na nowotwór.