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

Resumo Técnico do TF-DWGNet: Uma Rede Neural de Grafo Direcionada e Ponderada com Fusão de Tensores para Classificação de Subtipos de Câncer Multi-ômica

Definição do Problema
A classificação precisa de subtipos de câncer é central para a medicina de precisão, mas permanece desafiadora devido à heterogeneidade biológica dos tumores e à complexidade dos dados multi-ômicos. Conjuntos de dados multi-ômicos (por exemplo, metilação de DNA, expressão de mRNA e miRNA) são inerentemente de alta dimensão, heterogêneos e exibem dependências intra e intermodais complexas. Embora as Redes Neurais de Grafos (GNNs) ofereçam uma estrutura fundamentada para modelar estruturas relacionais, as abordagens existentes frequentemente dependem de redes de similaridade pré-definidas, não direcionadas ou não ponderadas. Esses métodos frequentemente falham em capturar a direcionalidade específica da tarefa, a força das interações e interações de ordem superior (além de pares). Além disso, a interpretabilidade tanto no nível de características quanto no de modalidade muitas vezes depende de análises pós-hoc computacionalmente intensivas que podem não refletir o verdadeiro processo de decisão do modelo.

Metodologia: Estrutura TF-DWGNet
Os autores propõem o TF-DWGNet, uma estrutura totalmente supervisionada de ponta a ponta projetada para integrar dados multi-ômicos através de quatro módulos coordenados:

1. Construção de Grafo Direcionado e Ponderado Supervisionado:
   Em vez de utilizar redes de similaridade baseadas em correlação, a estrutura aproveita a estrutura de divisão de árvores (tree-splitting) do XGBoost para construir grafos específicos para cada modalidade de ômica.

   • Mecanismo: Um conjunto de $M$ árvores de boosting é treinado em cada modalidade. Cada árvore é tratada como um grafo direcionado onde uma aresta $a \to b$ indica que a característica $a$ aparece antes da característica $b$ ao longo de um caminho da raiz até a folha.
   • Agregação: A coocorrência de características em todas as árvores é agregada para formar um único grafo direcionado e ponderado ($G^*$). Os pesos das arestas representam a frequência da dependência entre as árvores.
   • Resultado: Este processo realiza a redução de dimensionalidade de dados e codifica tanto a importância da característica quanto as dependências condicionais direcionais (onde uma característica particiona os pacientes em subgrupos para os quais as características subsequentes fornecem poder discriminativo).

2. Codificação por Rede Neural de Grafo (GNN):
   A matriz de características reduzida de cada modalidade e seu respectivo grafo direcionado e ponderado são processados usando uma Rede de Alimentação Direta Profunda Incorporada a Grafo (GEDFN) modificada.

   • Arquitetura: A estrutura de adjacência é incorporada diretamente na primeira camada oculta, restringindo as conexões entre os nós de entrada e ocultos com base na topologia do grafo.
   • Normalização: A entrada é processada usando uma matriz de adjacência normalizada com auto-loops ($\tilde{D}^{-1/2}\tilde{A}\tilde{D}^{-1/2}$) para evitar que nós altamente conectados dominem a representação.
   • Saída: Este módulo aprende embeddings unimodais latentes ($Z_1, Z_2, Z_3$) para cada tipo de ômica.

3. Fusão de Tensores e Decomposição de Baixo Posto:
   Para capturar interações de ordem superior (unimodais, bimodais e trimodais) sem a intratabilidade computacional da expansão total de tensores, a estrutura emprega uma Rede de Fusão de Tensores (TFN) seguida de decomposição Canônica de Produto (CP).

   • Aumentação: As representações latentes são aumentadas com uma característica constante (1) para facilitar termos de interação envolvendo menos de três modalidades.
   • Fusão: Um tensor de terceira ordem é construído via produto externo dos embeddings aumentados.
   • Decomposição: O tensor é aproximado usando decomposição CP de baixo posto ($T \approx \sum \lambda_r p_{1,r} \otimes p_{2,r} \otimes p_{3,r}$). Isso reduz a complexidade computacional de exponencial para linear em relação ao posto $R$, mantendo a capacidade de modelar mecanismos sinérgicos em todas as camadas de ômica.

4. Rede de Classificação Residual:
   O embedding compacto e fundido de baixo posto é passado para uma Rede Profunda Residual (DFN) com blocos residuais para a classificação final de múltiplos subtipos. O uso de conexões residuais estabiliza a otimização e permite transformações de características mais profundas.

Principais Contribuições
O artigo identifica três contribuições primárias:

1. Construção de Grafo Direcionado e Ponderado Supervisionado: O uso do XGBoost para gerar grafos direcionados e ponderados de tamanho variável e biologicamente significativos que codificam a direcionalidade específica da tarefa e a força da interação, substituindo redes de similaridade estáticas e não direcionadas.
2. Fusão de Tensores para Interações de Ordem Superior: Um módulo de fusão de tensor de baixo posto que captura eficientemente interações unimodais, bimodais e trimodais, oferecendo uma capacidade de representação mais rica do que a simples concatenação ou modelagem de pares.
3. Interpretabilidade Integrada: A estrutura produz inerentemente classificações de importância de características e pontuações de contribuição de modalidade derivadas dos pesos de conexão e das estruturas de grafo, eliminando a necessidade de análise pós-hoc.

Resultados Experimentais
Os autores avaliaram o TF-DWGNet em três conjuntos de dados de câncer do mundo real do TCGA: BRCA (Carcinoma de Mama), UCEC (Carcinoma de Endométrio de Corpo Uterino) e KIPAN (coorte Pan-Rimney).

• Desempenho: O TF-DWGNet superou consistentemente as linhas de base de estado da arte (incluindo RF, XGBoost, DFN, GCN, GEDFN e variantes de ablação) em termos de Acurácia, F1-weighted e F1-macro.
  • No conjunto de dados BRCA, o modelo alcançou uma acurácia de $0,821 \pm 0,023$, superando significativamente a próxima melhor linha de base (GEDFN com $0,790$) e mostrando ganhos substanciais no F1-macro ($0,785$ vs. $0,748$).
  • A significância estatística foi confirmada via testes $t$ de Welch sobre 20 divisões estratificadas independentes, com a maioria das melhorias no BRCA sendo altamente significativa ($p < 0,001$).
• Estudos de Ablação: A remoção de componentes principais degradou o desempenho. Substituir o XGBoost pelo Random Forest para a construção do grafo ($TF\text{-}DWGNet_{rf}$) e remover a direcionalidade ($TF\text{-}DWGNet_{undir}$) resultaram em quedas notáveis de desempenho, validando a importância da construção de grafos direcionados e supervisionados.
• Interpretabilidade: O modelo identificou com sucesso biomarcadores biologicamente relevantes (ex: FAM134B e FOXC1 no BRCA) e forneceu pontuações de contribuição ao nível da modalidade. No BRCA, todos os três tipos de ômica contribuíram de forma comparável, enquanto no UCEC e KIPAN, a metilação de DNA emergiu como o sinal preditivo dominante.

Significância e Alegações
O artigo afirma que o TF-DWGNet representa a primeira estrutura que integra conjuntamente a construção de grafo direcionado e ponderado supervisionado, fusão de tensor de baixo posto abrangente, codificação GNN flexível por modalidade e interpretabilidade integrada para a classificação de subtipos de câncer multi-ômica. Os autores asseguram que o modelo fornece uma solução robusta e interpretável que captura a natureza hierárquica e direcionada dos processos biológicos. Ao evitar redes de similaridade pré-definidas e capturar interações de ordem superior, o TF-DWGNet oferece uma abordagem fundamentada para a integração multi-ômica que gera insights biologicamente significativos e apoia a oncologia de precisão sem exigir engenharia de características manual ou métodos de interpretabilidade pós-hoc.