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

Technische Samenvatting van TF-DWGNet: Een Directed Weighted Graph Neural Network met Tensor Fusion voor Multi-Omics Kanker Subtype Classificatie

Probleemstelling
Nauwkeurige classificatie van kanker subtypes staat centraal in de precisiegeneeskunde, maar blijft uitdagend vanwege de biologische heterogeniteit van tumoren en de complexiteit van multi-omics data. Multi-omics datasets (bijv. DNA-methylatie, mRNA en miRNA-expressie) zijn inherent hoogdimensionaal, heterogeen en vertonen complexe intra- en inter-modaliteitsafhankelijkheden. Hoewel Graph Neural Networks (GNN's) een fundamenteel kader bieden voor het modelleren van relationele structuren, vertrouwen bestaande benaderingen vaak op vooraf gedefinieerde, ongerichte of ongewogen gelijkenisnetwerken. Deze methoden slagen er vaak niet in om taakspecifieke directionaliteit, interactiekracht en hogere-orde interacties (voorbij paren) te vangen. Bovendien is interpreteerbaarheid op zowel feature- als modaliteitsniveau vaak afhankelijk van computationeel intensieve post-hoc analyses die mogelijk niet de werkelijke besluitvorming van het model reflecteren.

Methodologie: TF-DWGNet Framework
De auteurs stellen TF-DWGNet voor, een volledig gesuperviseerd, end-to-end framework dat is ontworpen om multi-omics data te integreren via vier gecoördineerde modules:

1. Supervised Directed Weighted Graph Constructie:
   In plaats van correlatiegebaseerde gelijkenisnetwerken, maakt het framework gebruik van de tree-splitting structuur van XGBoost om taakspecifieke grafen voor elke omics-modaliteit te construeren.

   • Mechanisme: Een ensemble van $M$ boosted trees wordt getraind op elke modaliteit. Elke boom wordt behandeld als een gerichte graaf waar een edge $a \to b$ aangeeft dat feature $a$ vóór feature $b$ verschijnt langs een wortel-naar-blad pad.
   • Aggregatie: Feature co-occurrence over alle bomen wordt geaggregeerd om een enkele gerichte, gewogen graaf ($G^*$) te vormen. Edge gewichten vertegenwoordigen de frequentie van de afhankelijkheid over de bomen.
   • Resultaat: Dit proces voert data-gedreven feature reductie uit en codeert zowel feature belang als directionele conditionele afhankelijkheden (waarbij een feature patiënten partitioneert in subgroepen waarvoor daaropvolgende features discriminerende kracht bieden).

2. Graph Neural Network (GNN) Encoding:
   De gereduceerde feature matrix van elke modaliteit en de bijbehorende gerichte gewogen graaf worden verwerkt met een gemodificeerd Graph-Embedded Deep Feedforward Network (GEDFN).

   • Architectuur: De adjacency structuur wordt direct in de eerste verborgen laag ingebed door verbindingen tussen input- en hidden nodes te beperken op basis van de graaf topologie.
   • Normalisatie: De input wordt verwerkt met een genormaliseerde adjacency matrix met self-loops ($\tilde{D}^{-1/2}\tilde{A}\tilde{D}^{-1/2}$) om te voorkomen dat zeer verbonden nodes de representatie domineren.
   • Output: Deze module leert latente unimodale embeddings ($Z_1, Z_2, Z_3$) voor elk type omics.

3. Tensor Fusion en Low-Rank Decompositie:
   Om hogere-orde interacties (unimodaal, bimodaal en trimodaal) te vangen zonder de computationele onhandelbaarheid van volledige tensor expansie, gebruikt het framework een Tensor Fusion Network (TFN) gevolgd door Canonical Polyadic (CP) decompositie.

   • Augmentatie: Latente representaties worden geaugmenteerd met een constante feature (1) om interactietermen te faciliteren die betrekking hebben op minder dan drie modaliteiten.
   • Fusion: Een derde-orde tensor wordt geconstrueerd via de buitenproduct van de geaugmenteerde embeddings.
   • Decompositie: De tensor wordt benaderd met behulp van low-rank CP decompositie ($T \approx \sum \lambda_r p_{1,r} \otimes p_{2,r} \otimes p_{3,r}$). Dit reduceert de computationele complexiteit van exponentieel naar lineair ten opzichte van de rank $R$, terwijl het vermogen behouden blijft om synergetische mechanismen over alle omics-lagen te modelleren.

4. Residual Classification Network:
   De compacte, gefuseerde low-rank embedding wordt doorgegeven aan een Deep Residual Network (DFN) met residual blocks voor de uiteindelijke multiclass subtype voorspelling. Het gebruik van residual verbindingen stabiliseert de optimalisatie en maakt diepere feature transformaties mogelijk.

Belangrijkste Bijdragen
Het paper identificeert drie primaire bijdragen:

1. Supervised Directed Weighted Graph Constructie: Het gebruik van XGBoost om biologisch betekenisvolle, variabel-grootte, gerichte grafen te genereren die taakspecifieke directionaliteit en interactiekracht coderen, ter vervanging van statische, ongerichte gelijkenisnetwerken.
2. Tensor Fusion voor Hogere-Orde Interacties: Een low-rank tensor fusion module die efficiënt unimodale, bimodale en trimodale interacties vangt, wat een rijkere representatieve capaciteit biedt dan eenvoudige concatenatie of pairwise modellering.
3. Ingebouwde Interpreteerbaarheid: Het framework produceert inherent feature-belang rangschikkingen en modaliteit-bijdrage scores afgeleid van connectie gewichten en graaf structuren, waardoor post-hoc analyse overbodig wordt.

Experimentele Resultaten
De auteurs evalueerden TF-DWGNet op drie real-world kanker datasets uit TCGA: BRCA (Borstcarcinoom), UCEC (Uterien Corpus Endometrium Carcinoom) en KIPAN (Pan-Kidney cohort).

• Prestaties: TF-DWGNet presteerde consistent beter dan state-of-the-art baselines (inclusief RF, XGBoost, DFN, GCN, GEDFN, en ablatie varianten) op het gebied van Accuracy, F1-weighted en F1-macro metrieken.
  • Op de BRCA dataset bereikte het model een nauwkeurigheid van $0.821 \pm 0.023$, wat de eerstvolgende beste baseline (GEDFN op $0.790$) aanzienlijk overtrof en substantiële winsten liet zien in F1-macro ($0.785$ vs. $0.748$).
  • Statistische significantie werd bevestigd via Welch's $t$-testen over 20 onafhankelijke gestratificeerde splits, waarbij de meeste verbeteringen op BRCA zeer significant waren ($p < 0.001$).
• Ablatie Studies: Het verwijderen van sleutelcomponenten verslechterde de prestaties. Het vervangen van XGBoost door Random Forest voor graaf constructie ($TF\text{-}DWGNet_{rf}$) en het verwijderen van directionaliteit ($TF\text{-}DWGNet_{undir}$) resulteerde in merkbare prestatiedalingen, wat het belang van supervised, gerichte graaf constructie valideert.
• Interpreteerbaarheid: Het model identificeerde succesvol biologisch relevante biomarkers (bijv. FAM134B en FOXC1 in BRCA) en leverde modaliteit-niveau bijdrage scores. In BRCA droegen alle drie de omics types vergelijkbaar bij, terwijl in UCEC en KIPAN DNA-methylatie als het dominante voorspellende signaal naar voren kwam.

Betekenis en Claims
Het paper claimt dat TF-DWGNet het eerste framework is dat gezamenlijk supervised directed weighted graph constructie, uitgebreide low-rank tensor fusion, modaliteit-flexibele GNN encoding en ingebouwde interpreteerbaarheid integreert voor multi-omics kanker subtype classificatie. De auteurs stellen dat het model een robuuste, interpreteerbare oplossing biedt die de hiërarchische en directionele aard van biologische processen vangt. Door vooraf gedefinieerde gelijkenisnetwerken te vermijden en hogere-orde interacties te vangen, biedt TF-DWGNet een fundamentele aanpak voor multi-omics integratie die biologisch betekenisvolle inzichten oplevert en precisie oncologie ondersteunt zonder dat handmatige feature engineering of post-hoc interpreteerbaarheidsmethoden nodig zijn.