CMGL: Confidence-guided Multi-omics Graph Learning for Cancer Subtype Classification

Riassunto Tecnico: CMGL

1. Il Problema (Motivation)

La classificazione dei sottotipi tumorali tramite l'integrazione di dati multi-omici (mRNA, miRNA, metilazione del DNA, variazioni del numero di copie - CNV) è fondamentale per l'oncologia di precisione. Tuttavia, i metodi attuali presentano due limiti critici:

• Eterogeneità dell'informatività: L'importanza di una specifica modalità omica varia drasticamente tra diversi tipi di cancro e tra diversi pazienti.
• Rumore e distorsione nei grafi: Molti metodi esistenti ottimizzano i pesi delle modalità insieme all'obiettivo di classificazione. Ciò significa che i pesi riflettono l'ottimo matematico della funzione di perdita piuttosto che l'affidabilità biologica reale. Se una modalità è rumorosa, essa distorce il grafo di similarità tra i pazienti, propagando errori attraverso il passaggio di messaggi (message passing) nelle reti neurali a grafo (GNN).

2. Metodologia (Methodology)

Il framework proposto, CMGL, adotta un approccio in due fasi progettato per separare la stima dell'affidabilità dalla classificazione finale.

Fase 1: Apprendimento dell'affidabilità basato sull'evidenza (Stage 1)
Invece di usare pesi latenti, CMGL utilizza l'Evidential Deep Learning (EDL) per stimare, per ogni paziente e per ogni modalità, un punteggio di confidenza indipendente.

• Modellazione dell'evidenza: Per ogni modalità, un encoder mappa l'input in uno spazio latente e un "evidence head" produce parametri di una distribuzione di Dirichlet. Questo permette di quantificare l'incertezza epistemica (incertezza del modello) in un unico passaggio (single forward pass).
• Quality Estimator: Viene utilizzata una rete di qualità che combina tre segnali: la forza dell'evidenza, l'entropia predittiva normalizzata e la probabilità massima. Il risultato è un vettore di confidenza $r_i^{(m)}$ che viene poi congelato (frozen) per la fase successiva.

Fase 2: Fusione e Ragionamento sul Grafo (Stage 2)
Utilizzando i punteggi di confidenza congelati, il modello procede con:

• Cross-omics Attention: Un meccanismo di auto-attenzione multi-testa scambia informazioni tra le modalità, identificando caratteristiche complementari.
• Gated Aggregation: La fusione delle caratteristiche è guidata dalla confidenza. Le modalità con basso punteggio di affidabilità vengono soppresse sia a livello di singola dimensione della caratteristica che a livello di intera modalità, impedendo al rumore di diluire il segnale biologico.
• Consistency Intersection Graph: Per evitare la costruzione di grafi basati su dati errati, CMGL costruisce grafi $k$-NN indipendenti per ogni modalità e mantiene solo gli archi che sono supportati da tutte le modalità (intersezione della coerenza). Questo assicura che il passaggio di messaggi avvenga solo tra pazienti realmente simili in tutti i profili molecolari.
• Classificazione GNN: Un modulo GraphSAGE a due strati esegue il passaggio di messaggi sul grafo costruito, integrando le rappresentazioni fuse per produrre la classificazione finale.

3. Contributi Chiave (Key Contributions)

1. Decoupling (Disaccoppiamento): La separazione tra la stima dell'affidabilità (Stage 1) e l'integrazione/classificazione (Stage 2) garantisce che i pesi delle modalità siano stime di affidabilità indipendenti e non semplici parametri di ottimizzazione.
2. Robustezza al rumore: L'uso dell'intersezione dei grafi e della fusione "gated" previene la propagazione dell'errore indotta dalle modalità di bassa qualità.
3. Efficienza dell'incertezza: L'integrazione dell'EDL permette di ottenere stime di incertezza senza la necessità di costosi campionamenti Monte Carlo o ensemble di modelli.

4. Risultati (Results)

• Benchmark Single-Cancer: CMGL ha superato i modelli allo stato dell'arte (come MOGONET, MOSGAT e HTML) su quattro compiti di classificazione (BRCA, GBM, LGG, OV), con un miglioramento medio dell'accuratezza del 4,03%.
• Pan-cancer: Il modello ha dimostrato un'eccellente scalabilità nel compito pan-cancer a 32 classi, raggiungendo un'accuratezza del 96,82%.
• Generalizzazione Small-sample: Il modello mantiene prestazioni superiori anche quando i dati di addestramento sono ridotti (30% o 50%), dimostrando la robustezza dei suoi priors di confidenza.
• Interpretabilità Biologica:
  • Su BRCA, le classi predette corrispondono ai sottotipi intrinseci PAM50 e hanno identificato un sottotipo metabolico unico legato alla via del triptofano-chinurenina (implicata nell'evasione immunitaria).
  • Transfer Learning: Un modello addestrato su BRCA è stato applicato senza fine-tuning al cancro renale (KIRC), riuscendo a stratificare i pazienti in gruppi con profili prognostici (sopravvivenza) significativamente diversi, ricapitolando il framework molecolare ccA/ccB.

5. Significato (Significance)

Il lavoro di CMGL dimostra che l'integrazione multi-omica non deve solo "unire" i dati, ma deve saper "filtrare" attivamente l'affidabilità di ogni segnale. Fornendo rappresentazioni che sono sia accurate che biologicamente coerenti, il modello si pone come un ponte tra il deep learning avanzato e l'oncologia clinica, offrendo strumenti che possono trasferire la conoscenza tra diversi tipi di tumore e identificare biomarcatori affidabili per la stratificazione dei pazienti.