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

Resumen Técnico de TF-DWGNet: Una Red Neuronal de Grafos Ponderados Dirigidos con Fusión de Tensores para la Clasificación de Subtipos de Cáncer Multi-ómicos

Planteamiento del Problema
La clasificación precisa de los subtipos de cáncer es fundamental para la medicina de precisión, pero sigue siendo un desafío debido a la heterogeneidad biológica de los tumores y la complejidad de los datos multi-ómicos. Los conjuntos de datos multi-ómicos (por ejemplo, metilación del ADN, expresión de ARNm y miRNA) son inherentemente de alta dimensión, heterogéneos y exhiben dependencias intra y entre modalidades complejas. Aunque las Redes Neuronales de Grafos (GNN) ofrecen un marco con fundamentos para modelar estructuras relacionales, los enfoques existentes suelen depender de redes de similitud predefinidas, no dirigidas o no ponderadas. Estos métodos frecuentemente no logran capturar la direccionalidad específica de la tarea, la fuerza de interacción y las interacciones de orden superior (más allá de las de pares). Además, la interpretabilidad tanto a nivel de características como de modalidad suele depender de análisis post-hoc computacionalmente intensivos que pueden no reflejar el verdadero proceso de toma de decisiones del modelo.

Metodología: Marco de Trabajo TF-DWGNet
Los autores proponen TF-DWGNet, un marco de trabajo totalmente supervisado de extremo a extremo diseñado para integrar datos multi-ómicos a través de cuatro módulos coordinados:

1. Construcción de Grafos Ponderados Dirigidos Supervisados:
   En lugar de utilizar redes de similitud basadas en correlación, el marco aprovecha la estructura de división de árboles de XGBoost para construir grafos específicos de la tarea para cada modalidad de ómica.

   • Mecanismo: Se entrena un conjunto de $M$ árboles potenciados en cada modalidad. Cada árbol es tratado como un grafo dirigido donde una arista $a \to b$ indica que la característica $a$ aparece antes que la característica $b$ a lo largo de un camino desde la raíz hasta la hoja.
   • Agregación: La co-ocurrencia de características a través de todos los árboles se agrega para formar un único grafo dirigido y ponderado ($G^*$). Los pesos de las aristas representan la frecuencia de la dependencia a través de los árboles.
   • Resultado: Este proceso realiza una reducción de características basada en los datos y codifica tanto la importancia de las características como las dependencias condicionales direccionales (donde una característica particiona a los pacientes en subgrupos para los cuales las características subsiguientes proporcionan poder discriminativo).

2. Codificación de Red Neuronal de Grafos (GNN):
   La matriz de características reducida de cada modalidad y su correspondiente grafo dirigido y ponderado son procesados utilizando una Red de Alimentación hacia Adelante Profunda con Incrustación de Grafos (GEDFN) modificada.

   • Arquitectura: La estructura de adyacencia se incrusta directamente en la primera capa oculta restringiendo las conexiones entre los nodos de entrada y los ocultos basándose en la topología del grafo.
   • Normalización: La entrada se procesa utilizando una matriz de adyacencia normalizada con bucles de autodirección ($\tilde{D}^{-1/2}\tilde{A}\tilde{D}^{-1/2}$) para evitar que los nodos altamente conectados dominen la representación.
   • Salida: Este módulo aprende incrustaciones unimodales latentes ($Z_1, Z_2, Z_3$) para cada tipo de ómica.

3. Fusión de Tensores y Descomposición de Bajo Rango:
   Para capturar interacciones de orden superior (unimodales, bimodales y trimodales) sin la intratabilidad computacional de la expansión completa de tensores, el marco emplea una Red de Fusión de Tensores (TFN) seguida de una descomposición Canónica de Producto (CP).

   • Aumentación: Las representaciones latentes se aumentan con una característica constante (1) para facilitar los términos de interacción que involucran menos de tres modalidades.
   • Fusión: Se construye un tensor de tercer orden mediante el producto exterior de las incrustaciones aumentadas.
   • Descomposición: El tensor se aproxima mediante una descomposición CP de bajo rango ($T \approx \sum \lambda_r p_{1,r} \otimes p_{2,r} \otimes p_{3,r}$). Esto reduce la complejidad computacional de exponencial a lineal con respecto al rango $R$, manteniendo la capacidad de modelar mecanismos sinérgicos a través de todas las capas ómicas.

4. Red de Clasificación Residual:
   La incrustación compacta y fusionada de bajo rango se pasa a una Red Profunda Residual (DFN) con bloques residuales para la predicción final de subtipos multiclasificación. El uso de conexiones residuales estabiliza la optimización y permite transformaciones de características más profundas.

Contribuciones Clave
El artículo identifica tres contribuciones primarias:

1. Construcción de Grafos Ponderados Dirigidos Supervisados: El uso de XGBoost para generar grafos dirigidos y ponderados de tamaño variable y biológicamente significativos que codifican la direccionalidad específica de la tarea y la fuerza de interacción, reemplazando las redes de similitud estáticas y no dirigidas.
2. Fusión de Tensores para Interacciones de Orden Superior: Un módulo de fusión de tensores de bajo rango que captura eficientemente las interacciones unimodales, bimodales y trimodales, ofreciendo una capacidad de representación más rica que la simple concatenación o el modelado por pares.
3. Interpretabilidad Integrada: El marco produce intrínsecamente clasificaciones de importancia de características y puntuaciones de contribución de la modalidad derivadas de los pesos de conexión y las estructuras de los grafos, eliminando la necesidad de análisis post-hoc.

Resultados Experimentales
Los autores evaluaron TF-DWGNet en tres conjuntos de datos de cáncer del mundo real de TCGA: BRCA (Carcinoma de Mama), UCEC (Carcinoma de Endometrio de Útero) y KIPAN (Cohorte Pan-Riñón).

• Desempeño: TF-DWGNet superó consistentemente a las líneas base del estado del arte (incluyendo RF, XGBoost, DFN, GCN, GEDFN y variantes de ablación) en las métricas de Exactitud, F1-weighted y F1-macro.
  • En el conjunto de datos BRCA, el modelo alcanzó una exactitud de $0.821 \pm 0.023$, superando significativamente al siguiente mejor modelo base (GEDFN con $0.790$) y mostrando ganancias sustanciales en F1-macro ($0.785$ vs. $0.748$).
  • La significancia estadística fue confirmada mediante pruebas $t$ de Welch sobre 20 divisiones estratificadas independientes, donde la mayoría de las mejoras en BRCA fueron altamente significativas ($p < 0.001$).
• Estudios de Ablación: Eliminar componentes clave degradó el desempeño. Reemplazar XGBoost con Random Forest para la construcción del grafo ($TF\text{-}DWGNet_{rf}$) y eliminar la direccionalidad ($TF\text{-}DWGNet_{undir}$) resultaron en caídas notables de desempeño, validando la importancia de la construcción de grafos dirigidos y supervisados.
• Interpretabilidad: El modelo identificó con éxito biomarcadores biológicamente relevantes (por ejemplo, FAM134B y FOXC1 en BRCA) y proporcionó puntuaciones de contribución a nivel de modalidad. En BRCA, los tres tipos de ómica contribuyeron de manera comparable, mientras que en UCEC y KIPAN, la metilación del ADN emergió como la señal predictiva dominante.

Significancia y Reivindicaciones
El artículo afirma que TF-DWGNet representa el primer marco que integra conjuntamente la construcción de grafos ponderados dirigidos supervisados, la fusión de tensores de bajo rango integral, la codificación de GNN flexible en cuanto a la modalidad y la interpretabilidad integrada para la clasificación de subtipos de cáncer multi-ómicos. Los autores aseguran que el modelo proporciona una solución robusta e interpretable que captura la naturaleza jerárquica y direccional de los procesos biológicos. Al evitar redes de similitud predefinidas y capturar interacciones de orden superior, TF-DWGNet ofrece un enfoque con fundamentos para la integración multi-ómica que genera conocimientos biológicamente significativos y apoya la oncología de precisión sin requerir ingeniería de características manual o métodos de interpretabilidad post-hoc.