论文解析-基于图卷积神经网络的癌症基因预测模型，利用LRP算法增加模型可解释性

参考论文

Schulte-Sasse, R., Budach, S., Hnisz, D. et al. Integration of multiomics data with graph convolutional networks to identify new cancer genes and their associated molecular mechanisms. Nat Mach Intell 3, 513–526 (2021). https://doi.org/10.1038/s42256-021-00325-y

概括

该文章根据单核苷酸变异数据（SNVs），拷贝数量变异（CNAs），基因表达数据，DNA甲基化等信息，利用图卷积神经网络（GCN）模型，实现了泛癌基因预测的功能。另外，利用LRP算法增加图神经网络的可解释性是本文的一大亮点。

方法

数据收集

从TCGA数据库收集16种癌症数据，包括13097个基因的单核苷酸变异数据（SNVs），12088个基因的拷贝数量变异（CNAs），18898个基因的基因表达数据，12406个基因的启动子区域的DNA甲基化。
跨癌症类型的组学数据通过蛋白-蛋白互作网络（PPI）联系起来，节点表示基因，边表示互作关系。
正样本：从NCG收集到711个已知癌症基因（KCGs），从PbuMed摘要中收集到85个高可信度癌症基因。
负样本：1. 排除正样本基因；2. 排除KEGG数据库中涉及癌症通路的基因；3. 排除从DriverDB数据库中OMIM疾病的基因；4. 排除从Project Achilles收集到的包括625种癌症的关键基因。

模型构建

a. 每个基因的4种特征拼接起来，作为该基因的多维特征向量。将所有基因根据PPI构建拓扑关系，作为GCN的输入。
b. 通过多层GCN整合每个基因的邻居节点信息及基因互作关系，更新基因特征（实线黄色节点为正样本，实线灰色为负样本，白色为无标签样本）。输出层获得每个基因是癌症基因的概率，根据阈值确定该基因是否为癌症基因。
c. 利用逐层相关性传播算法（LRP）找到每个基因用于预测的重要特征和重要的调控边，分别进行基因聚类和模块检测等下游分析，以发现与癌症相关重要的基因群或基因互作关系。

模型可解释性（LRP）

利用逐层相关性传播算法（LRP）解释深度学习模型做出决策的原因。核心思想是将目标的输出函数分解为相关性分数的集合，再将他们重分布到前一层的神经元上。

i和j分别为连续层的神经元，相关分数Rj从l+1层传播到前一层（l）的规则如上。Ri和Rj分别为神经元i和j的相关分数，Σ对于i相连的所有节点j求和，ai为节点i的属性，wij为边ij的权重。aiwij量化了在预测过程中节点i对节点j的贡献程度。分母保证了传播的守恒性，即神经元接收到的信息必须等量地重新分配到下一层。
在GCN中，该图将单个数据点(基因)与另一个连接起来。这就产生了一种学习算法，在这种算法中，基因的分类不仅基于该基因的特征，还基于PPI网络中周围基因的特征；因此，当将LRP应用于EMOGI时，可以提取每个基因的相关性值，这些值突出了分类任务中单独组学特征的重要性，以及PPI网络中的重要相互作用对。

结果

在4个公认癌症基因上利用LRP算法分析不同组学特征重要性，颜色越深贡献越大。

1. 结肠癌基因APC，模型正确预测了其概率，并识别其突变率为最重要的特征。
2. 转录因子TWIST，其高度甲基化为直肠癌的生物标志物。模型识别其甲基化是肺癌和直肠癌的重要特征。
   

数据和代码

1. 数据
2. 模型代码
3. 预训练模型