@TreehouseFi

#Treehouse e $TREE

O modelo TREE foi criado para superar essas limitações. O modelo TREE é um modelo de IA baseado em aprendizado de representação gráfica com Transformer, capaz de lidar com redes homogêneas e heterogêneas, onde redes homogêneas contêm apenas genes, enquanto redes heterogêneas incluem múltiplos tipos de nós, como fatores de transcrição (TF), miRNA e IncRNA.

▲(a) Coleta de dados multiômicos e construção de redes homogêneas/heterogêneas; (b) Fluxograma do modelo geral de previsão de genes do câncer; (c) Camada de aprendizado de representação genética do modelo; (d) Módulo de integração de múltiplos canais.

02

Os “superpoderes” do TREE

Pesquisas mostram que o TREE apresenta desempenho superior em 8 redes biológicas pan-câncer e 31 redes específicas de câncer; em comparação com 5 métodos de IA baseados em redes, os indicadores AUC e AUPR do TREE se destacam, com um aumento médio de 5,91% no AUC e 9,87% no AUPR, refletindo a generalização e robustez do modelo.

Além disso, em termos de interpretabilidade, o TREE também se destaca. As mutações são cruciais na identificação de genes do câncer, e o TREE tem a vantagem de localizar com precisão genes raros mutantes, com informações heterogêneas permitindo que o TREE valide mecanismos significativos de regulação gênica do câncer por meio de caminhos de rede.

▲Diagrama de Venn dos genes candidatos ao câncer identificados por todos os métodos

Após avaliar todos os genes não marcados comuns na rede, o TREE recomendou 57 potenciais genes candidatos ao câncer, considerando que eles podem ser genes candidatos relacionados ao câncer. Em seguida, os pesquisadores testaram o desempenho do modelo com todo o conjunto de dados, e os resultados mostraram que as avaliações fornecidas pelo modelo foram estáveis e consistentes, indicando que o TREE é uma ferramenta confiável para identificar novos genes candidatos ao câncer.