[논문 리뷰] Integrate Any Omics: Towards genome-wide data integration for patient stratification

Shihao Ma, Andy G.X. Zeng외 4명|arXiv (Cornell University)|2024. 01. 15.

Cancer Genomics and Diagnostics인용 수 5

한 줄 요약

IntegrAO은 부분적으로 겹치는 환자 그래프와 그래프 신경망을 이용해 불완전한 다-omics 프로파일을 통합하는 감독 없는 프레임워크로, 환자를 세분화하고 부분 데이터로 새로운 샘플의 정확한 분류를 가능하게 한다.

ABSTRACT

High-throughput omics profiling advancements have greatly enhanced cancer patient stratification. However, incomplete data in multi-omics integration presents a significant challenge, as traditional methods like sample exclusion or imputation often compromise biological diversity and dependencies. Furthermore, the critical task of accurately classifying new patients with partial omics data into existing subtypes is commonly overlooked. To address these issues, we introduce IntegrAO (Integrate Any Omics), an unsupervised framework for integrating incomplete multi-omics data and classifying new samples. IntegrAO first combines partially overlapping patient graphs from diverse omics sources and utilizes graph neural networks to produce unified patient embeddings. Our systematic evaluation across five cancer cohorts involving six omics modalities demonstrates IntegrAO's robustness to missing data and its accuracy in classifying new samples with partial profiles. An acute myeloid leukemia case study further validates its capability to uncover biological and clinical heterogeneity in incomplete datasets. IntegrAO's ability to handle heterogeneous and incomplete data makes it an essential tool for precision oncology, offering a holistic approach to patient characterization.

연구 동기 및 목표

• 샘플을 버리거나 값을 대치(impute)하지 않고 불완전한 다-omics 데이터를 다룬다.
• 부분적으로 겹치는 omics 그래프를 통합된 환자 임베딩으로 융합하기 위한 감독 없는 프레임워크를 개발한다.
• 부분 데이터로 새로운 환자를 사전에 정의된 하위 유형으로 정확하게 분류 가능하게 한다.
• 다수의 암 코호트와 다양한 omics 모달리티 전반에 걸친 강건성을 시연한다.
• 사례 연구와 생존/약물 반응 분석을 통해 생물학적 및 임상적 관련성을 검증한다.

제안 방법

• 노드를 환자로, 간선은 쌍별 유사도로 삼아 각 omics별 환자 그래프를 구성한다.
• 부분적으로 겹치는 그래프를 반복적으로 융합하여 융합된 omics-특정 그래프를 만든다.
• omics-특정 그래프 신경망 인코더를 사용하여 저차원 환자 임베딩을 학습한다.
• 공유 공간에서 omics 간 임베딩을 정렬하고 평균하여 통합 임베딩을 얻는다.
• 필요 시 MLP 헤드로 미세 조정하여 새로운 환자의 감독된 하위 유형 예측을 가능하게 한다.
• 시뮬레이션(부분 겹침) 및 AML를 포함한 실제 암 코호트에서 여섯 가지 omics 모달리티에 걸쳐 평가한다.

실험 결과

연구 질문

• RQ1 IntegrAO은 샘플을 버리지 않고 부분적으로 겹치는 다중 omics 데이터를 견고하게 통합할 수 있는가?
• RQ2 불완전한 omics 프로파일을 가진 새로운 환자를 사전에 정의된 하위 유형으로 얼마나 잘 분류할 수 있는가?
• RQ3 통합된 하위 유형이 단일 omics 분석을 넘어 임상적으로 및 생물학적으로 의미 있는 이질성을 드러내는가?
• RQ4 IntegrAO은 다수의 암 유형과 다양한 omics 모달리티에 걸쳐 확장 가능하고 효과적인가?
• RQ5 누락 데이터 패턴이 클러스터링 품질 및 생존/약물 반응 연관성에 미치는 영향은 무엇인가?

주요 결과

• IntegrAO은 시뮬레이션된 부분 겹침 시나리오에서 NEMO 및 MSNE를 능가한다.
• IntegrAO은 mRNA, DNA 메틸화, 및 세포 계층 데이터를 통합하여 생물학적으로 및 임상적으로 뚜렷한 12개의 AML 하위 유형을 식별한다.
• 통합 하위 유형은 단일 데이터 유형에 비해 생존 구분력이 향상되고 임상적 풍부함이 더 크다.
• 부분 데이터가 있는 다섯 개 TCGA 암 유형에서 IntegrAO가 경쟁자보다 차등 생존 및 임상적 풍부함을 더 신뢰하게 달성한다.
• 신규 환자 분류에서 IntegrAO는 다양한 omic 조합에서 MLP, SVM, XGBoost, Random Forest, KNN을 능가한다.
• IntegrAO은 모달리티에 구애받지 않는 추론을 가능하게 하며, 불완전한 데이터에서도 강한 성능을 유지한다.