TF-DWGNet: A Directed Weighted Graph Neural Network with Tensor Fusion for Multi-Omics Cancer Subtype Classification

Technische Zusammenfassung von TF-DWGNet: Ein gerichtetes gewichtetes Graph-Neurales Netzwerk mit Tensor-Fusion für die Multi-Omics-Krebs-Subtyp-Klassifizierung

Problemstellung
Die genaue Klassifizierung von Krebs-Subtypen ist zentral für die Präzisionsmedizin, bleibt jedoch aufgrund der biologischen Heterogenität von Tumoren und der Komplexität von Multi-Omics-Daten eine Herausforderung. Multi-Omics-Datensätze (z. B. DNA-Methylierung, mRNA- und miRNA-Expression) sind inhärent hochdimensional, heterogen und weisen komplexe intra- sowie intermodale Abhängigkeiten auf. Während Graph-Neurale Netze (GNNs) einen fundierten Rahmen zur Modellierung relationaler Strukturen bieten, verlassen sich bestehende Ansätze häufig auf vordefinierte, ungerichtete oder ungewichtete Ähnlichkeitsnetzwerke. Diese Methoden versäumen es oft, aufgabenspezifische Direktionalität, Interaktionsstärken und höherwertige Interaktionen (über paarweise Beziehungen hinaus) zu erfassen. Zudem ist die Interpretierbarkeit sowohl auf Merkmals- als auch auf Modalitätsebene oft auf rechenintensive Post-hoc-Analysen angewiesen, die den eigentlichen Entscheidungsprozess des Modells möglicherweise nicht widerspiegeln.

Methodik: TF-DWGNet-Framework
Die Autoren schlagen TF-DWGNet vor, ein voll überwachtes End-to-End-Framework, das darauf ausgelegt ist, Multi-Omics-Daten durch vier koordinierte Module zu integrieren:

1. Überwachte Konstruktion gerichteter gewichteter Graphen:
   Anstatt korrelationsbasierter Ähnlichkeitsnetzwerke nutzt das Framework die Baum-Splitting-Struktur von XGBoost, um aufgabenspezifische Graphen für jede Omics-Modalität zu konstruieren.

• Mechanismus: Ein Ensemble aus $M$ Boosting-Bäumen wird auf jeder Modalität trainiert. Jeder Baum wird als gerichteter Graph behandelt, wobei eine Kante $a \to b$ bedeutet, dass Merkmal $a$ vor Merkmal $b$ entlang eines Wurzel-Blatt-Pfades erscheint.
• Aggregation: Die Ko-Okkurrenz von Merkmalen über alle Bäume hinweg wird aggregiert, um einen einzelnen gerichteten, gewichteten Graphen ($G^*$) zu bilden. Die Kantengewichte repräsentieren die Häufigkeit der Abhängigkeit über die Bäume hinweg.
• Ergebnis: Dieser Prozess führt eine datengesteuerte Merkmalsreduktion durch und kodiert sowohl die Merkmalsrelevanz als auch gerichtete, bedingte Abhängigkeiten (bei denen ein Merkmal Patienten in Subgruppen partitioniert, für die nachfolgende Merkmale diskriminative Kraft besitzen).

2. Graph-Neurales Netzwerk (GNN) Encoding:
   Die reduzierte Merkmalsmatrix jeder Modalität und der dazugehörige gerichtete gewichtete Graph werden mittels eines modifizierten Graph-Embedded Deep Feedforward Network (GEDFN) verarbeitet.

• Architektur: Die Adjazenzstruktur wird direkt in die erste verborgene Schicht eingebettet, indem die Verbindungen zwischen Eingangs- und verborgenen Knoten basierend auf der Graph-Topologie eingeschränkt werden.
• Normalisierung: Der Input wird unter Verwendung einer normalisierten Adjazenzmatrix mit Selbstschleifen ($\tilde{D}^{-1/2}\tilde{A}\tilde{D}^{-1/2}$) verarbeitet, um zu verhindern, dass hochvernetzte Knoten die Repräsentation dominieren.
• Ausgang: Dieses Modul lernt latente unimodale Einbettungen ($Z_1, Z_2, Z_3$) für jeden Omics-Typ.

3. Tensor-Fusion und Niedrigrang-Zerlegung:
   Um höherwertige Interaktionen (unimodal, bimodal und trimodal) zu erfassen, ohne die rechnerische Unbehandbarkeit einer vollen Tensor-Expansion zu riskieren, verwendet das Framework ein Tensor Fusion Network (TFN), gefolgt von einer Canonical Polyadic (CP) Zerlegung.

• Augmentierung: Die latenten Repräsentationen werden mit einem konstanten Merkmal (1) augmentiert, um Interaktionsterme zu ermöglichen, die weniger als drei Modalitäten involvieren.
• Fusion: Ein Tensor dritter Ordnung wird über das äußere Produkt der augmentierten Einbettungen konstruiert.
• Zerlegung: Der Tensor wird mittels einer Niedrigrang-CP-Zerlegung approximiert ($T \approx \sum \lambda_r p_{1,r} \otimes p_{2,r} \otimes p_{3,r}$). Dies reduziert die Komplexität von exponentiell auf linear bezüglich des Rangs $R$, während die Fähigkeit erhalten bleibt, synergistische Mechanismen über alle Omics-Schichten hinweg zu modellieren.

4. Residuelles Klassifikationsnetzwerk:
   Die kompakte, fusionierte Niedrigrang-Einbettung wird an ein Deep Residual Network (DFN) mit Residual-Blöcken für die finale Multiklassen-Subtyp-Prädiktion übergeben. Die Verwendung von Residual-Verbindungen stabilisiert die Optimierung und ermöglicht tiefere Merkmals-Transformationen.

Zentrale Beiträge
Das Paper identifiziert drei primäre Beiträge:

1. Überwachte Konstruktion gerichteter gewichteter Graphen: Die Nutzung von XGBoost zur Generierung biologisch bedeutsamer, variabler gerichteter Graphen, die die aufgabenspezifische Direktionalität und Interaktionsstärke kodieren und somit statische, ungerichtete Ähnlichkeitsnetzwerke ersetzen.
2. Tensor-Fusion für höherwertige Interaktionen: Ein effizientes Niedrigrang-Tensor-Fusion-Modul, das unimodale, bimodale und trimodale Interaktionen erfasst und somit eine reichhaltigere Repräsentationskapazität bietet als einfache Konkatenation oder paarweise Modellierung.
3. Integrierte Interpretierbarkeit: Das Framework erzeugt inhärent Rankings der Merkmalsrelevanz und Scores der Modalitätsbeiträge, die aus den Verbindungsgewichten und Graphstrukturen abgeleitet werden, wodurch die Notwendigkeit von Post-hoc-Analysen entfällt.

Experimentelle Ergebnisse
Die Autoren evaluierten TF-DWGNet anhand von drei realen Krebsdatensätzen aus dem TCGA: BRCA (Brustkarzinom), UCEC (Uteruskorpus-Endometriumkarzinom) und KIPAN (Pan-Nieren-Kohorte).

• Performance: TF-DWGNet übertraf konsistent State-of-the-Art-Baselines (einschließlich RF, XGBoost, DFN, GCN, GEDFN und Ablationsvarianten) in Bezug auf Accuracy, F1-weighted und F1-macro.
  • Auf dem BRCA-Datensatz erreichte das Modell eine Genauigkeit von $0,821 \pm 0,023$, was die nächstbeste Baseline (GEDFN mit $0,790$) signifikant übertraf, und zeigte erhebliche Gewinne im F1-macro ($0,785$ vs. $0,748$).
  • Die statistische Signifikanz wurde mittels Welch-t-Tests über 20 unabhängige stratifizierte Splits bestätigt, wobei die meisten Verbesserungen bei BRCA hochsignifikant waren ($p < 0,001$).
• Ablationsstudien: Das Entfernen zentraler Komponenten verschlechterte die Leistung. Der Ersatz von XGBoost durch Random Forest bei der Graphkonstruktion ($TF\text{-}DWGNet_{rf}$) und das Entfernen der Direktionalität ($TF\text{-}DWGNet_{undir}$) führten zu deutlichen Leistungsabfällen, was die Bedeutung der überwachten, gerichteten Graphkonstruktion validiert.
• Interpretierbarkeit: Das Modell identifizierte erfolgreich biologisch relevante Biomarker (z. B. FAM134B und FOXC1 in BRCA) und lieferte Scores für den Beitrag der Modalitäten. In BRCA trugen alle drei Omics-Typen vergleichbar bei, während in UCEC und KIPAN die DNA-Methylierung als das dominante prädiktive Signal hervorging.

Bedeutung und Behauptungen
Das Paper behauptet, dass TF-DWGNet das erste Framework ist, das die Konstruktion gerichteter gewichteter Graphen unter Aufsicht, umfassende Niedrigrang-Tensor-Fusion, modalitätsflexible GNN-Kodierung und integrierte Interpretierbarkeit zur Multi-Omics-Krebs-Subtyp-Klassifizierung vereint. Die Autoren behaupten, dass das Modell eine robuste, interpretierbare Lösung bietet, welche die hierarchische und gerichtete Natur biologischer Prozesse erfasst. Durch die Vermeidung vordefinierter Ähnlichkeitsnetzwerke und das Erfassen höherwertiger Interaktionen bietet TF-DWGNet einen fundierten Ansatz zur Multi-Omics-Integration, der biologisch bedeutsame Erkenntnisse liefert und die Präzisionsonkologie unterstützt, ohne manuelles Feature-Engineering oder Post-hoc-Interpretationsmethoden zu erfordern.