💻 bioinformatics

POME: Graph-based embeddings for partially observed mixed-type data

Het artikel introduceert POME, een zelfgesuperviseerd graafgebaseerd embeddingmodel ontworpen om laagdimensionale representaties te genereren voor gedeeltelijk geobserveerde biomedische data van gemengde typen, waarmee het een state-of-the-art imputatieprestatie bereikt en effectieve downstream-taken mogelijk maakt zoals patiëntsubgroontontdekking, voorspellende modellering en therapieaanbeveling.

Oorspronkelijke auteurs: Woller, F., Arend, L., Kist, A. M., List, M., Rahimi, F., Sirocchi, C., Blumenthal, D. B.

Gepubliceerd 2026-09-15

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Woller, F., Arend, L., Kist, A. M., List, M., Rahimi, F., Sirocchi, C., Blumenthal, D. B.

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

In het uitgestrekte landschap van de moderne geneeskunde is data het primaire instrument voor het begrijpen van ziekten en het sturen van behandelingen. Artsen en onderzoekers verzamelen enorme hoeveelheden informatie over patiënten, variërend van de specifieke typen cellen die in een tumor worden gevonden tot de resultaten van bloedtests en de geschiedenis van eerdere ziekten. Deze informatie is zelden uniform; het is een chaotische mix van getallen, categorieën en tekst, vaak aangeduid als gemengde data (mixed-type data). Bovendien is deze data bijna nooit compleet. Patiënten missen afspraken, bepaalde tests worden niet voor iedereen aangevraagd en dossiers raken zoek, wat gaten achterlaat die lijken op lege ruimtes in een spreadsheet. Decennialang hebben deze hiaten en de rommelige variëteit aan datatypen wetenschappers gedwongen om ofwel onvolledige dossiers weg te gooien, ofwel statistische trucjes te gebruiken om ze in te vullen, wat beide de werkelijke kijk op de gezondheid van een patiënt kunnen vertekenen en tot foutieve conclusies kunnen leiden.

Een team van onderzoekers heeft nu een nieuwe manier ontwikkeld om met deze rommelige realiteit om te gaan, waarbij ze de gaten en de variëteit omzetten in kenmerken in plaats van in gebreken. Ze creëerden een hulpmiddel genaamd POME, wat staat voor partially observed mixed-type data embeddings. In plaats van te proberen alle verschillende soorten medische data in één enkel, rigide formaat te dwingen of simpelweg de ontbrekende stukjes te verwijderen, behandelt POME de gehele dataset als een kaart van verbindingen. Stel je een netwerk voor waarbij patiënten één set punten zijn en elke mogelijke informatie over hen een andere set punten is. Wanneer een patiënt een bloedtestresultaat heeft, wordt er een lijn getrokken naar dat resultaat. Wanneer een stukje data ontbreekt, wordt de lijn simpelweg niet getekend. Deze aanpak stelt de computer in staat om de relaties tussen patiënten en hun symptomen te leren, zelfs wanneer de data incompleet en door elkaar gehusseld is.

De onderzoekers testten deze aanpak op drie grote, real-world collecties medische dossiers die duizenden patiënten omvatten met longkanker, hoofd- en halskanker en diverse andere aandoeningen die behandeld werden met chemotherapie. Ze ontdekten dat POME de ontbrekende informatie kon invullen met een nauwkeurigheidsniveau dat de beste bestaande methoden kon evenaren of overtreffen. Belangrijker nog, het hulpmiddel creëerde een nieuw soort "vingerafdruk" voor elke patiënt. Deze vingerafdrukken waren niet slechts eenvoudige samenvattingen, maar rijke, laagdimensionale representaties die de complexe wisselwerking van de diverse gezondheidsmarkers van een patiënt vastlegden. Wanneer de onderzoekers deze vingerafdrukken gebruikten om patiënten bij elkaar te groeperen zonder de computer te vertellen waar hij naar moest zoeken, vormden de groepen die ontstonden medisch betekenisvol waren. Zo scheidde het hulpmiddel patiënten bijvoorbeeld van nature op basis van de vraag of hun tumoren verbonden waren met een specifiek virus, een factor die bekend staat om zijn invloed op de overlevingskansen, of groepeerde ze op basis van de dichtheid van immuuncellen in hun tumoren, wat een teken is van hoe het lichaam de ziekte bestrijdt.

De kracht van deze vingerafdrukken reikte verder dan alleen het sorteren van patiënten. De onderzoekers gebruikten ze om terug te kijken naar historische behandelbeslissingen en te zien of deze zinvol waren. Door de vingerafdruk van een nieuwe patiënt te vergelijken met die van eerdere patiënten, kon het systeem suggereren welke behandelstrategie in het verleden het beste had gewerkt voor soortgelijke individuen. In één test met hoofd- en halskankerpatiënten hadden degenen wier werkelijke behandeling overeenkwam met de aanbeveling van het systeem op basis van deze vingerafdrukken, aanzienlijk betere vijfjaarsoverlevingspercentages dan degenen wiens behandeling niet overeenkwam. Dit suggereert dat het hulpmiddel subtiele patronen kan identificeren in hoe verschillende combinaties van symptomen en geschiedenis reageren op specifieke therapieën, wat een manier biedt om artsen te ondersteunen bij het maken van meer geïnformeerde keuzes.

De studie toonde ook aan dat deze vingerafdrukken gebruikt konden worden om toekomstige uitkomsten te voorspellen, zoals of een patiënt een specifieke bijwerking van chemotherapie zou ontwikkelen, waarbij ze vaak beter presteerden dan andere standaardmethoden voor het verwerken van gemengde data. De onderzoekers keken zelfs in de tool om te zien wat het over de variabelen zelf had geleerd. Ze ontdekten dat het hulpmiddel medische termen die biologisch verwant zijn, zoals verschillende typen witte bloedcellen, correct bij elkaar had gegroepeerd, wat aantoont dat het de onderliggende logica van de medische data had geleerd in plaats van alleen getallen te memoriseren.

Hoewel de tool momenteel geoptimaliseerd is om op krachtige computerhardware te draaien en aanzienlijk geheugen vereist voor zeer grote datasets, hebben de onderzoekers aangetoond dat de software snel genoeg is om nuttig te zijn in real-world workflows. Ze hebben de software publiekelijk beschikbaar gesteld zodat andere wetenschappers het op hun eigen data kunnen testen. Het werk beweert niet elk probleem in medische data-analyse op te lossen, maar het biedt een robuuste nieuwe manier om de rommelige, incomplete en gevarieerde records uit de klinische praktijk om te zetten in heldere, actiegerichte inzichten. Door de natuurlijke structuur van de data, inclusief de ontbrekende delen, te respecteren, stelt POME onderzoekers in staat om de patiënt duidelijker te zien, wat potentieel kan leiden tot betere diagnoses en effectievere behandelingen.

Technische Samenvatting: POME – Grafen-gebaseerde Embeddings voor Gedeeltelijk Geobserveerde Gemengde Data

Probleemstelling

Biomedisch onderzoek leunt vaak op Gedeeltelijk Geobserveerde Gemengde-type (POM) datasets, die heterogene feature-typen (numeriek, binair en multi-class categorisch) combineren met aanzienlijke fracties ontbrekende waarden. Traditionele analytische workflows worden geconfronteerd met aanzienlijke uitdagingen bij dergelijke data:

Heterogeniteit: Standaardmethoden zoals Principal Component Analysis (PCA) zijn beperkt tot numerieke data, terwijl andere zoals Factor Analysis of Mixed Data (FAMD) of t-SNE moeite hebben met het integreren van ontbrekende waarden of het combineren van verschillende variabeletypen zonder ad-hoc preprocessing.
Ontbreken (Missingness): Veelvoorkomende strategieën om ontbrekende data aan te pakken, zoals complete-case analyse of pairwise deletion, introduceren systematische bias. Daartegenover staan standaard imputatietechnieken die vaak niet in staat zijn de complexe gezamenlijke structuur van gemengde data te vangen of specifieke strategieën vereisen voor elk variabeletype.
Kloof in Representatieleer: Bestaande embedding-methoden (bijv. UMAP, scVI, MOFA) ondersteunen ofwel niet van nature gemengde data met ontbrekende waarden, of missen kant-en-klare implementaties die de specifieke beperkingen van POM-datasets kunnen afhandelen (bijv. multi-class categorische variabelen met ontbrekende waarden).

Methodologie: Het POME-model

De auteurs stellen POME (Partially Observed Mixed-type data Embeddings) voor, een zelfgesuperviseerd model dat is ontworpen om laagdimensionale vectorrepresentaties te genereren voor zowel samples als variabelen. POME behandelt de dataset als een bipartiete graaf waarbij ontbrekende waarden natuurlijk worden gecodeerd als afwezige randen (edges).

1. Graafrepresentatie

De dataset $X$ wordt gemodelleerd als een bipartiete graaf $G = (S \cup R, E)$ :

Nodes (Knopen):
- Sample Nodes ( $S$ ): Vertegenwoordigen individuele observaties.
- Value Nodes ( $R$ ): Vertegenwoordigen variabele waarden.
  - Voor categorische variabelen corresponderen de waarde-nodes met specifieke klassen.
  - Voor numerieke variabelen worden waarden gediscretiseerd in bins ( $B$ ) via een binning-strategie (standaard: z-score binning met $B=15$ ). De waarde-nodes vertegenwoordigen deze bins.
Edges (Randen): Een rand bestaat tussen een sample node $i$ en een waarde node $r$ als de sample een geobserveerde waarde heeft die overeenkomt met die klasse of bin. Ontbrekende waarden worden gerepresenteerd door de afwezigheid van een rand.
Shared Concept Learning (Gedeeld Concept Leren):
- Variabele Encodings ( $e_j$ ): Gedeeld over alle waarde-nodes van een specifieke variabele.
- Bin Encodings ( $e_b$ ): Gedeeld over alle numerieke variabelen voor dezelfde bin-index, waardoor het model een verenigde semantiek kan leren voor numerieke bereiken (bijv. "hoge waarde").
- Class Encodings ( $e_c$ ): Specifiek voor de variabele, aangezien categorieën van verschillende variabelen semantisch niet vergelijkbaar zijn.

2. Architectuur

POME maakt gebruik van een Graph Neural Network (GNN) raamwerk:

Encoder: Een twee-laagse Graph Attention Network (GAT) leert embeddings ( $z_u$ ) voor alle nodes. Het attention-mechanisme stelt het model in staat om de bijdrage van verschillende variabelen niet-uniform te wegen.
Decoder: Een twee-laagse Multi-Layer Perceptron (MLP) voert link prediction uit, waarbij de graaf wordt gereconstrueerd door de waarschijnlijkheid van een rand tussen een sample en een waarde node te voorspellen.
Loss Functie: Een binary cross-entropy loss wordt geminimaliseerd om geobserveerde randen (positief) te onderscheiden van willekeurig gesamplede niet-randen (negatief).

3. Inductief Redeneren

Om nieuwe, ongeziene samples te verwerken (inductieve setting), initialiseert POME nieuwe sample nodes met nul-encodings. Cruciaal is dat tijdens inferentie de randen alleen van waarde nodes naar de nieuwe sample node worden gericht. Dit zorgt ervoor dat de nieuwe sample informatie aggregeert van zijn geobserveerde waarden zonder de geleerde representaties van bestaande nodes of andere nieuwe samples te verstoren, wat efficiënte batch-embedding van nieuwe data mogelijk maakt.

4. Downstream Toepassingen

Imputatie: Categorische waarden worden geïmputeerd door de waarde node te selecteren met de hoogste link prediction score. Numerieke waarden worden geïmputeerd met behulp van een lichtgewicht regressie-kop die is getraind op de geleerde sample en variabele encodings.
Stratificatie & Visualisatie: Sample embeddings ( $z_i$ ) worden gebruikt voor clustering (bijv. Leiden) en visualisatie (bijv. t-SNE).
Predictieve Modellering: Embeddings dienen als input features voor supervised taken (linear probing).
Variabele Semantiek: Variabele encodings ( $e_j$ ) worden geanalyseerd om geleerde semantische relaties te begrijpen.

Belangrijkste Resultaten

De auteurs evalueerden POME op drie real-world biomedische datasets: TCGA-LUAD (long adenocarcinoom), HANCOCK (hoofd- en halskanker) en MIMIC-IV (chemotherapie bijwerkingen).

Imputatie Prestaties:
- POME bereikte state-of-the-art prestaties op categorische variabelen over alle datasets en ontbrekendeheidsratio's (1%–50%), waarbij het k-NN, MissForest en AutoComplete aanzienlijk versloeg.
- Op numerieke variabelen presteerde POME vergelijkbaar met MissForest en aanzienlijk beter dan k-NN en AutoComplete op twee van de drie datasets.
Unsupervised Sample Stratificatie:
- POME embeddings leverden superieure clusteringkwaliteit (hogere Silhouette scores, lagere Davies-Bouldin indices) vergeleken met UMAP, vooral bij lagere embedding dimensies (16 en 32).
- Clusters geïdentificeerd in de HANCOCK-dataset waren klinisch betekenisvol en herstelden bekende prognostische markers (bijv. HPV-status, tumorlocatie, CD3+ cel-densiteit) en vertoonden significante verschillen in algehele overleving.
Predictieve Modellering (Linear Probing):
- Logistic regression modellen getraind op POME embeddings presteerden beter dan modellen getraind op UMAP embeddings op 7 van de 8 binaire target variabelen over de datasets heen.
- POME demonstreerde superieure bruikbaarheid voor het gezamenlijk representeren van numerieke en categorische data, terwijl UMAP aparte modellen vereiste die post-hoc werden gecombineerd.
Adjuvante Therapie Aanbeveling:
- In een retrospectieve studie met de HANCOCK-dataset werden POME-gebaseerde similarity queries gebruikt om adjuvante therapie modaliteiten aan te bevelen.
- Patiënten wiens werkelijke behandeling overeenkwam met de POME-gebaseerde aanbeveling ("P-consistent") vertoonden significant hogere 5-jaars algehele overlevingsfracties vergeleken met patiënten wiens behandeling niet overeenkwam, zelfs in subgroepen waar geen therapie werd toegediend.
Variabele Semantiek:
- Exploratieve analyse van variabele encodings op MIMIC-IV onthulde dat de geleerde semantische ruimte overeenkwam met biomedische kennis. Bijvoorbeeld, de embedding voor "aplasia" clusterde dicht bij wit bloed cel-gerelateerde variabelen (neutrofielen, monocyten), wat consistent is met bekende immuunsuppressie markers.

Betekenis en Claims

Het artikel positioneert POME als een veelzijdige, direct inzetbare oplossing voor de specifieke uitdagingen van POM-data in biomedisch onderzoek.

Verenigd Raamwerk: POME elimineert de noodzaak voor aparte strategieën om ontbrekende data en variabele integratie te behandelen, door een gezamenlijke representatie te leren die de graafstructuur van geobserveerde data inherent respecteert.
Praktisch Nut: Het model is snel (training op 10.000 samples duurt <2 minuten op GPU) en ondersteunt inductief redeneren, waardoor het geschikt is voor iteratieve analyse workflows en real-world deployment.
Klinische Relevantie: De studie toont aan dat POME embeddings niet slechts wiskundige abstracties zijn maar klinisch acteerbare informatie bevatten, wat de ontdekking van patiëntsubgroepen, verbeterde predictieve modellering en data-gestuurde therapie-aanbevelingen mogelijk maakt.
Toegankelijkheid: De auteurs bieden een volledig gedocumenteerd Python-pakket (pome-py) aan die beschikbaar is op PyPI en GitHub om adoptie te faciliteren.

De auteurs hanteren een bescheiden toon met betrekking tot toekomstige verbeteringen, waarbij zij suggereren dat hoewel architecturale verbeteringen (bijv. attention blocks, transformer-gebaseerde decoders) de prestaties zouden kunnen verhogen, de kernwaarde van POME ligt in de succesvolle toepassing van bipartite graafleren op POM-data. Zij erkennen huidige beperkingen in geheugengebruik voor zeer grote datasets en optimalisatie voor GPU-hardware.