自适应深度共享潜在表征

多组学亚型分类

ADSLR通过循环自编码器与非负矩阵分解层捕捉跨组学非线性特征的一致信号，为多组学癌症亚型分类提供可复现的共享潜在表征。

Li, Min · Zhifang, Qi · Deng, Shaobo · Wang, Lei · Yu, Xiang

Applied Intelligence 2025

参数信息

亚型生存率差异显著的癌症类型数

7

分析的癌症类型数

8

整合的组学类型数

4

技术优势

整合多组学更有效

通过循环自编码器与非负矩阵分解层捕捉不同组学层面的非线性特征的一致信号，生成可适应的共享潜在表征。

亚型预后差异显著

在八个癌症类型中的七个中，识别出的亚型在患者生存率上表现出显著差异，可用于预后评估和患者分层。

泛癌模式发现

揭示多种癌症中mRNA、miRNA、DNA甲基化和蛋白质的整合模式，展示跨癌种的分子特征联系。

灵活适应其他组学

模型设计可整合各种其他组学类型，不局限于论文中使用的四种组学数据。

应用场景

• 癌症精准分型：将多组学数据映射为共享潜在表征，实现更精准的分子亚型划分。
• 多组学整合分析：自动学习多种组学数据间的一致非线性特征，减少手动特征工程。
• 患者分层与预后评估：识别出的亚型在多个癌种中生存差异显著，可直接用于风险分层。
• 肿瘤分子标志物发现：通过共享潜在表征揭示跨组学整合模式，辅助发现肿瘤分子标志物。
• 临床决策支持：为临床提供基于分子亚型的预后信息，辅助制定个性化治疗方案。