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

Résumé technique de TF-DWGNet : Un réseau de neurones graphiques à poids et orientations (Directed Weighted Graph Neural Network) avec fusion tensorielle pour la classification des sous-types de cancer multi-omiques

Énoncé du problème
La classification précise des sous-types de cancer est centrale pour la médecine de précision mais reste un défi en raison de l'hétérogénéité biologique des tumeurs et de la complexité des données multi-omiques. Les ensembles de données multi-omiques (par exemple, la méthylation de l'ADN, l'ARNm et l'expression des micro-ARN) sont intrinsèquement de haute dimension, hétérogènes et présentent des dépendances intra- et inter-modalités complexes. Bien que les réseaux de neurones graphiques (GNN) offrent un cadre rigoureux pour modéliser les structures relationnelles, les approches existantes reposent souvent sur des réseaux de similitude prédéfinis, non orientés ou non pondérés. Ces méthodes échouent fréquemment à capturer la directionnalité spécifique aux tâches, l'intensité des interactions et les interactions d'ordre supérieur (au-delà des paires). De plus, l'interprétabilité au niveau des caractéristiques et des modalités repose souvent sur des analyses post-hoc coûteuses en calcul qui peuvent ne pas refléter le véritable processus de décision du modèle.

Méthodologie : Le cadre TF-DWGNet
Les auteurs proposent TF-DWGNet, un cadre entièrement supervisé de bout en bout conçu pour intégrer les données multi-omiques via quatre modules coordonnés :

1. Construction de graphes orientés et pondérés supervisés :
   Au lieu d'utiliser des réseaux de similitude basés sur la corrélation, le cadre exploite la structure de division en arbre d'XGBoost pour construire des graphes spécifiques à la tâche pour chaque modalité omique.

• Mécanisme : Un ensemble de $M$ arbres de boosting est entraîné sur chaque modalité. Chaque arbre est traité comme un graphe orienté où une arête $a \to b$ indique que la caractéristique $a$ apparaît avant la caractéristique $b$ le long d'un chemin de la racine vers la feuille.
• Agrégation : La cooccurrence des caractéristiques à travers tous les arbres est agrégée pour former un graphe unique, orienté et pondéré ($G^*$). Les poids des arêtes représentent la fréquence de la dépendance à travers les arbres.
• Résultat : Ce processus réalise une réduction de dimension des caractéristiques pilotée par les données et encode à la fois l'importance des caractéristiques et les dépendances conditionnelles directionnelles (où une caractéristique partitionne les patients en sous-groupes pour lesquels les caractéristiques suivantes fournissent un pouvoir discriminant).

2. Encodage par réseau de neurones graphiques (GNN) :
   La matrice de caractéristiques réduites de chaque modalité et son graphe orienté et pondéré correspondant sont traités à l'aide d'un réseau de rétropropagation profond ancré dans un graphe (GEDFN) modifié.

• Architecture : La structure d'adjacence est directement intégrée dans la première couche cachée en restreignant les connexions entre les nœuds d'entrée et les nœuds cachés en fonction de la topologie du graphe.
• Normalisation : L'entrée est traitée à l'aide d'une matrice d'adjacence normalisée avec des boucles d'auto-connexion ($\tilde{D}^{-1/2}\tilde{A}\tilde{D}^{-1/2}$) pour éviter que les nœuds hautement connectés ne dominent la représentation.
• Sortie : Ce module apprend des plongements (embeddings) unimodaux latents ($Z_1, Z_2, Z_3$) pour chaque type omique.

3. Fusion tensorielle et décomposition de bas rang :
   Pour capturer les interactions d'ordre supérieur (unimodales, bimodales et trimodales) sans l'intraitabilité computationnelle d'une expansion tensorielle complète, le cadre emploie un réseau de fusion tensorielle (TFN) suivi d'une décomposition canonique de type CP (Canonical Polyadic).

• Augmentation : Les représentations latentes sont augmentées d'une caractéristique constante (1) pour faciliter les termes d'interaction impliquant moins de trois modalités.
• Fusion : Un tenseur d'ordre trois est construit via le produit extérieur des plongements augmentés.
• Décomposition : Le tenseur est approximé par une décomposition CP de bas rang ($T \approx \sum \lambda_r p_{1,r} \otimes p_{2,r} \otimes p_{3,r}$). Cela réduit la complexité computationnelle d'un régime exponentiel à un régime linéaire par rapport au rang $R$, tout en conservant la capacité de modéliser les mécanismes synergiques à travers toutes les couches omiques.

4. Réseau de classification résiduel :
   Le plongement compact et fusionné de bas rang est transmis à un réseau profond résiduel (DFN) doté de blocs résiduels pour la prédiction finale des sous-types multiclasses. L'utilisation de connexions résiduelles stabilise l'optimisation et permet des transformations de caractéristiques plus profondes.

Contributions clés
L'article identifie trois contributions principales :

1. Construction de graphes orientés et pondérés supervisés : L'utilisation d'XGBoost pour générer des graphes orientés et pondérés de taille variable et biologiquement significatifs qui encodent la directionnalité spécifique aux tâches et l'intensité des interactions, remplaçant les réseaux de similitude statiques et non orientés.
2. Fusion tensorielle pour les interactions d'ordre supérieur : Un module de fusion tensorielle de bas rang qui capture efficacement les interactions unimodales, bimodales et trimodales, offrant une capacité de représentation plus riche que la simple concaténation ou la modélisation par paires.
3. Interprétabilité intégrée : Le cadre produit intrinsèquement des classements d'importance des caractéristiques et des scores de contribution des modalités dérivés des poids de connexion et des structures de graphes, éliminant le besoin d'analyses post-hoc.

Résultats expérimentaux
Les auteurs ont évalué TF-DWGNet sur trois ensembles de données de cancer réels issus de TCGA : BRCA (carcinome mammaire), UCEC (carcinome de l'endomètre utérin) et KIPAN (cohorte pan-rein).

• Performance : TF-DWGNet surpasse systématiquement les modèles de référence de l'état de l'art (incluant RF, XGBoost, DFN, GCN, GEDFN et des variantes d'ablation) en termes de précision (Accuracy), de F1-pondéré (F1-weighted) et de F1-macro.
  • Sur l'ensemble de données BRCA, le modèle a atteint une précision de $0,821 \pm 0,023$, surpassant nettement le second meilleur modèle de référence (GEDFN à $0,790$) et montrant des gains substantiels en F1-macro ($0,785$ contre $0,748$).
  • La signification statistique a été confirmée par des tests $t$ de Welch sur 20 divisions stratifiées indépendantes, la plupart des améliorations sur BRCA étant hautement significatives ($p < 0,001$).
• Études d'ablation : Le retrait de composants clés a dégradé les performances. Remplacer XGBoost par Random Forest pour la construction du graphe ($TF\text{-}DWGNet_{rf}$) et supprimer la directionnalité ($TF\text{-}DWGNet_{undir}$) a entraîné des baisses notables de performance, validant l'importance de la construction de graphes orientés et supervisés.
• Interprétabilité : Le modèle a identifié avec succès des biomarqueurs biologiquement pertinents (par exemple, FAM134B et FOXC1 dans BRCA) et a fourni des scores de contribution au niveau des modalités. Dans BRCA, les trois types d'omiques contribuaient de manière comparable, tandis que dans UCEC et KIPAN, la méthylation de l'ADN est apparue comme le signal prédictif dominant.

Signification et affirmations
L'article affirme que TF-DWGNet représente le premier cadre intégrant conjointement la construction de graphes orientés et pondérés supervisés, une fusion tensorielle de bas rang complète, un encodage GNN flexible selon les modalités et une interprétabilité intégrée pour la classification des sous-types de cancer multi-omiques. Les auteurs soutiennent que le modèle offre une solution robuste et interprétable qui capture la nature hiérarchique et directionnelle des processus biologiques. En évitant les réseaux de similitude prédéfinis et en capturant les interactions d'ordre supérieur, TF-DWGNet propose une approche fondée sur des principes pour l'intégration multi-omique qui génère des informations biologiquement significatives et soutient l'oncologie de précision sans nécessier d'ingénierie manuelle des caractéristiques ou de méthodes d'interprétabilité post-hoc.