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

Sintesi Tecnica di TF-DWGNet: Una Rete Neurale a Grafo Diretto e Pesato con Fusione Tensoriale per la Classificazione dei Sottotipi Tumorali Multi-Omici

Definizione del Problema
La classificazione accurata dei sottotipi tumorali è centrale per la medicina di precisione, ma rimane una sfida a causa dell'eterogeneità biologica dei tumori e della complessità dei dati multi-omici. I dataset multi-omici (ad esempio, metilazione del DNA, espressione di mRNA e miRNA) sono intrinsecamente ad alta dimensionalità, eterogenei e presentano complesse dipendenze intra- e inter-modalità. Sebbene le Reti Neurali a Grafo (GNN) offrano un quadro principato per la modellazione delle strutture relazionali, gli approcci esistenti si affidano spesso a reti di similarità predefinite, non dirette o non pesate. Questi metodi spesso non riescono a catturare la direzionalità specifica per il compito, l'intensità delle interazioni e le interazioni di ordine superiore (oltre quelle a coppie). Inoltre, l'interpretabilità sia a livello di feature che di modalità spesso dipende da analisi post-hoc computazionalmente intensive che potrebbero non riflettere il vero processo decisionale del modello.

Metodologia: Framework TF-DWGNet
Gli autori propongono TF-DWGNet, un framework end-to-end completamente supervisionato progettato per integrare i dati multi-omici attraverso quattro moduli coordinati:

1. Costruzione di un Grafo Diretto Pesato Supervisionato:
   Invece di utilizzare reti di similarità basate sulla correlazione, il framework sfrutta la struttura di splitting ad albero di XGBoost per costruire grafi specifici per il compito per ogni modalità omica.

• Meccanismo: Un ensemble di $M$ alberi potenziati (boosted trees) viene addestrato su ogni modalità. Ogni albero è trattato come un grafo diretto dove un arco $a \to b$ indica che la feature $a$ appare prima della feature $b$ lungo un percorso dalla radice alla foglia.
• Aggregazione: La co-occorrenza delle feature attraverso tutti gli alberi viene aggregata per formare un singolo grafo diretto e pesato ($G^*$). I pesi degli archi rappresentano la frequenza della dipendenza tra gli alberi.
• Risultato: Questo processo esegue una riduzione dei dati guidata dai dati e codifica sia l'importanza delle feature sia le dipendenze condizionali direzionali (dove una feature partiziona i pazienti in sottogruppi per i quali le feature successive forniscono un potere discriminativo).

2. Codifica tramite Rete Neurale a Grafo (GNN):
   La matrice delle feature ridotte di ogni modalità e il corrispondente grafo diretto pesato vengono elaborati utilizzando una rete Feedforward Profonda con Embedding di Grafo (GEDFN) modificata.

• Architettura: La struttura di adiacenza è incorporata direttamente nel primo strato nascosto limitando le connessioni tra i nodi di input e quelli nascosti in base alla topologia del grafo.
• Normalizzazione: L'input viene elaborato utilizzando una matrice di adiacenza normalizzata con auto-anelli ($\tilde{D}^{-1/2}\tilde{A}\tilde{D}^{-1/2}$) per evitare che i nodi altamente connessi dominino la rappresentazione.
• Output: Questo modulo apprende embedding unimodali latenti ($Z_1, Z_2, Z_3$) per ciascun tipo di omica.

3. Fusione Tensoriale e Decomposizione a Basso Rango:
   Per catturare le interazioni di ordine superiore (unimodali, bimodali e trimodali) senza l'intrattabilità computazionale della piena espansione tensoriale, il framework impiega una Rete di Fusione Tensoriale (TFN) seguita da una decomposizione Canonica di Poladic (CP).

• Augmentation: Le rappresentazioni latenti sono aumentate con una feature costante (1) per facilitare i termini di interazione che coinvolgono meno di tre modalità.
• Fusione: Un tensore di terzo ordine viene costruito tramite il prodotto esterno degli embedding aumentati.
• Decomposizione: Il tensore è approssimato utilizzando una decomposizione CP a basso rango ($T \approx \sum \lambda_r p_{1,r} \otimes p_{2,r} \otimes p_{3,r}$). Questo riduce la complessità computazionale da esponenziale a lineare rispetto al rango $R$, mantenendo la capacità di modellare meccanismi sinergici attraverso tutti i livelli omici.

4. Rete di Classificazione Residua:
   L'embedding compatto e fuso a basso rango viene passato a una Rete Deep Residual (DFN) con blocchi residui per la previsione finale dei sottotipi multiclasse. L'uso di connessioni residue stabilizza l'ottimizzazione e consente trasformazioni di feature più profonde.

Contributi Chiave
Il documento identifica tre contributi primari:

1. Costruzione di un Grafo Diretto Pesato Supervisionato: L'uso di XGBoost per generare grafi diretti, pesati e di dimensioni variabili, biologicamente significativi, che codificano la direzionalità specifica per il compito e l'intensità di interazione, sostituendo le statiche reti di similarità non dirette.
2. Fusione Tensoriale per Interazioni di Ordine Superiore: Un modulo di fusione tensoriale a basso rango che cattura efficientemente le interazioni unimodali, bimodali e trimodali, offrendo una capacità rappresentativa più ricca rispetto alla semplice concatenazione o alla modellazione a coppie.
3. Interpretabilità Integrata: Il framework produce intrinsecamente classifiche di importanza delle feature e punteggi di contributo delle modalità derivati dai pesi di connessione e dalle strutture di grafo, eliminando la necessità di analisi post-hoc.

Risultati Sperimentali
Gli autori hanno valutato TF-DWGNet su tre dataset reali di cancro provenienti da TCGA: BRCA (Carcinoma Mammario), UCEC (Carcinoma dell'Endometrio Uterino) e KIPAN (coorte Pan-Kidney).

• Performance: TF-DWGNet ha superato costantemente i baseline allo stato dell'arte (inclusi RF, XGBoost, DFN, GCN, GEDFN e varianti di ablazione) in termini di Accuratezza, F1-weighted e F1-macro.
  • Sul dataset BRCA, il modello ha raggiunto un'accuratezza di $0.821 \pm 0.023$, superando significativamente il secondo miglior baseline (GEDFN a $0.790$) e mostrando guadagni sostanziali nell'F1-macro ($0.785$ vs $0.748$).
  • La significatività statistica è stata confermata tramite t-test di Welch su 20 split stratificati indipendenti, con la maggior parte dei miglioramenti su BRCA altamente significativi ($p < 0.001$).
• Studi di Ablazione: La rimozione di componenti chiave ha degradato le prestazioni. Sostituire XGBoost con Random Forest per la costruzione del grafo ($TF\text{-}DWGNet_{rf}$) e rimuovere la direzionalità ($TF\text{-}DWGNet_{undir}$) ha causato cali di prestazioni notevoli, validando l'importanza della costruzione di grafi diretti supervisionati.
• Interpretabilità: Il modello ha identificato con successo biomarcatori biologicamente rilevanti (ad esempio, FAM134B e FOXC1 in BRCA) e ha fornito punteggi di contributo a livello di modalità. In BRCA, tutti e tre i tipi di omica hanno contribuito in modo comparabile, mentre in UCEC e KIPAN, la metilazione del DNA è emersa come il segnale predittivo dominante.

Significatività e Rivendicazioni
Il documento afferma che TF-DWGNet rappresenta il primo framework che integra congiuntamente la costruzione di grafi diretti pesati supervisionati, la completa fusione tensoriale a basso rango, l'encoding GNN flessibile rispetto alla modalità e l'interpretabilità integrata per la classificazione dei sottotipi di cancro multi-omici. Gli autori sostengono che il modello fornisce una soluzione robusta e interpretabile che cattura la natura gerarchica e direzionale dei processi biologici. Evitando reti di similarità predefinite e catturando le interazioni di ordine superiore, TF-DWGNet offre un approccio principato all'integrazione multi-omica che produce intuizioni biologicamente significative e supporta l'oncologia di precisione senza richiedere l'ingegneria manuale delle feature o metodi di interpretabilità post-hoc.