💻 bioinformatics

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

该论文介绍了 POME，这是一种旨在为部分观测的混合类型生物医学数据生成低维表示的自监督图嵌入模型，该模型实现了最先进的插补性能，并能有效支持下游任务，如患者亚组发现、预测建模和治疗推荐。

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

发布于 2026-09-15

📖 1 分钟阅读☕ 轻松阅读

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

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

在现代医学的广袤领域中，数据是理解疾病并指导治疗的首要工具。医生和研究人员收集了大量关于患者的信息，从肿瘤中发现的特定细胞类型到血液检查结果以及既往病史。这些信息很少是统一的；它们是数字、类别和文本的混乱混合，通常被称为混合型数据。此外，这些数据几乎从来不是完整的。患者会错过预约，某些测试并未为每个人都进行，记录也会丢失，从而留下如同电子表格中空白空间般的缺口。几十年来，这些缺口和杂乱多样的数据类型迫使科学家要么丢弃不完整的记录，要么使用统计技巧来填补它们，这两者都会扭曲患者健康的真实图景，并导致错误的结论。

一组研究人员现在开发了一种处理这种混乱现实的新方法，将缺口和多样性转化为特征而非缺陷。他们创建了一个名为 POME 的工具，代表“部分观测到的混合型数据嵌入”（partially observed mixed-type data embeddings）。POME 并没有试图将所有不同类型的医学数据强行塞入单一、僵化的格式，也没有简单地删除缺失的部分，而是将整个数据集视为一张连接图。想象一个网络，其中患者是一组点，而关于他们的每一项可能的信息是另一组点。当一名患者有血液检查结果时，一条线会将他们与该结果连接起来。当某项数据缺失时，这条线就仅仅没有被画出来。这种方法使计算机能够学习患者与症状之间的关系，即使在数据不完整且杂乱无章的情况下也是如此。

研究人员在涉及数千名肺癌、头颈癌及其他接受化疗治疗的患者的三个大型真实世界医疗记录集上测试了这种方法。他们发现，POME 填充缺失信息的能力达到了与现有最佳方法相匹配甚至超越的水平。更重要的是，该工具为每位患者创建了一种新型的“指纹”。这些指纹不仅仅是简单的摘要，而是捕捉了患者多样化健康指标之间复杂相互作用的丰富、低维表示。当研究人员在没有告知计算机寻找目标的情况下，利用这些指纹对患者进行分组时，形成的群体具有医学意义。例如，该工具自然地根据肿瘤是否与特定病毒相关（这是一个已知会影响生存率的因素）对患者进行了区分，或者根据肿瘤中免疫细胞的密度（这是身体对抗疾病的一种迹象）对患者进行了分组。

这些指纹的力量不仅限于对患者进行分类。研究人员利用它们回顾了历史治疗决策，并观察这些决策是否合理。通过将新患者的指纹与过去患者的指纹进行比较，系统可以建议对于相似个体而言，哪种治疗策略在过去效果最好。在一次涉及头颈癌患者的测试中，那些实际接受的治疗与基于这些指纹的系统推荐相匹配的患者，其五年生存率明显高于治疗与推荐不匹配的患者。这表明，该工具可以识别症状和病史的不同组合如何对特定疗法产生反应的微妙模式，从而为医生提供支持，帮助其做出更明智的选择。

研究还表明，这些指纹可以用于预测未来的结果，例如患者是否会产生特定的化疗副作用，其表现通常优于处理混合数据的其他标准方法。研究人员甚至深入观察了该工具内部，以了解它对变量本身学到了什么。他们发现，该工具正确地将生物学相关的医学术语（例如不同类型的白细胞）归为一类，这证明它学习到了医学数据的底层逻辑，而不仅仅是记忆数字。

虽然该工具目前针对强大的计算机硬件进行了优化，并且在处理极大型数据集时需要大量的内存，但研究人员已经证明其运行速度足以在现实世界的流程中使用。他们已向公众开放了该软件，以便其他科学家可以在自己的数据上进行测试。这项工作并不声称解决了医学数据分析中的所有问题，但它提供了一种稳健的新方法，将临床实践中混乱、不完整且多样的记录转化为清晰、可操作的洞察。通过尊重数据的自然结构（包括其缺失部分），POME 使研究人员能够更清晰地观察患者，从而有望实现更准确的诊断和更有效的治疗。

技术摘要：POME —— 针对部分观测混合型数据的基于图的嵌入技术

问题陈述

生物医学研究经常依赖于**部分观测混合型（Partially Observed Mixed-type, POM）**数据集，这类数据集结合了异质特征类型（数值型、二元型和多分类类别型）以及大量的缺失值。传统的分析工作流面临着显著的挑战：

异质性： 标准方法如主成分分析（PCA）仅限于数值型数据，而其他方法如混合数据因子分析（FAMD）或 t-SNE 在处理缺失值或整合不同变量类型时，往往难以在不进行即时预处理的情况下实现有效结合。
缺失性： 处理缺失数据的常见策略（如完全案例分析或成对删除）会引入系统性偏差。相反，标准的插补技术通常无法捕捉混合型数据的复杂联合结构，或者需要针对每种变量类型制定特定的策略。
表示学习的空白： 现有的嵌入方法（如 UMAP、scVI、MOFA）要么无法原生支持带有缺失值的混合型数据，要么缺乏能够处理 POM 数据集特定约束（例如具有缺失性的多分类类别变量）的现成可用实现。

方法论：POME 模型

作者提出了 P-OME（Partially Observed Mixed-type data Embeddings），这是一种自监督模型，旨在为样本和变量生成低维向量表示。POME 将数据集视为一个二分图（bipartite graph），其中缺失性被自然地编码为缺失的边。

1. 图表示

数据集 $X$ 被建模为一个二分图 $G = (S \cup R, E)$ ：

节点：
- 样本节点 ( $S$ )： 代表单个观测值。
- 数值节点 ( $R$ )： 代表变量的具体值。
  - 对于类别型变量，数值节点对应于特定的类别。
  - 对于数值型变量，数值通过分箱策略（默认使用 z-score 分箱，且 $B=15$ ）被离散化为箱体（bins）。数值节点即代表这些箱体。
边：如果样本 $i$ 拥有对应于该类别或该箱体的观测值，则存在一条连接样本节点 $i$ 与数值节点 $r$ 的边。缺失值通过边的缺失来表示。
共享概念学习：
- 变量编码 ( $e_j$ )： 在特定变量的所有数值节点间共享。
- 箱体编码 ( $e_b$ )： 在所有具有相同箱体索引的数值型变量间共享，这使得模型能够学习统一的语义范围（例如，“高值”）。
- 类别编码 ( $e_c$ )： 特定于该变量，因为不同变量的类别在语义上是不可比的。

2. 架构

POME 采用了图神经网络（GNN）框架：

编码器： 一个两层**图注意力网络（Graph Attention Network, GAT）**用于学习所有节点的嵌入 ( $z_u$ )。注意力机制允许模型非均匀地权衡不同变量的贡献。
解码器： 一个两层多层感知机（MLP）执行链路预测（link prediction），通过预测样本与数值节点之间存在边的概率来重建图。
损失函数： 通过最小化二元交叉熵损失，来区分观测到的边（正样本）与随机采样的非边（负样本）。

3. 归纳推理

为了处理新的、未见过的样本（归纳设置），POME 将新样本节点初始化为零编码。至关重要的是，在推理过程中，边仅从数值节点指向新的样本节点。这确保了新样本能够聚合其观测值的相关信息，而不会干扰已学习到的现有节点或其他新样本的表示，从而实现高效的批量数据嵌入。

4. 下游应用

插补： 类别型数值通过选择链路预测得分最高的数值节点进行插补。数值型数值则通过一个在学习到的样本和变量编码上训练的轻量级回归头进行插补。
分层与可视化： 样本嵌入 ( $z_i$ ) 被用于聚类（如 Leiden）和可视化（如 t-SNE）。
预测建模： 嵌入作为监督任务（线性探测）的输入特征。
变量语义： 通过分析变量编码 ( $e_j$ ) 来理解学习到的语义关系。

关键结果

作者在三个真实世界的生物医学数据集上评估了 POME：TCGA-LUAD（肺腺癌）、HANCOCK（头颈癌）和 MIMIC-IV（化疗副作用）。

插补性能：
- 在所有数据集和缺失率（1%–50%）下，POME 在类别型变量上的表现达到了最先进水平（state-of-the-art），显著优于 k-NN、MissForest 和 AutoComplete。
- 在数值型变量上，POME 的表现与 MissForest 相当，并在两个数据集上显著优于 k-NN 和 AutoComplete。
无监督样本分层：
- 与 UMAP 相比，POME 嵌入产生了更优的聚类质量（更高的轮廓系数/Silhouette scores，更低的 Davies-Bouldin 指数），尤其是在较低的嵌入维度（16 和 32）下。
- 在 HANCOCK 数据集中识别出的聚类具有临床意义，能够恢复已知的预后标志物（如 HPV 状态、肿瘤部位、CD3+ 细胞密度），并显示出在总生存期上的显著差异。
预测建模（线性探测）：
- 基于 POME 嵌入训练的逻辑回归模型在 8 个数据集中的 7 个二元目标变量上，表现优于基于 UMAP 嵌入的模型。
- POME 展示了联合表示数值型和类别型数据的卓越能力，而 UMAP 则需要分别建模并在事后进行组合。
辅助治疗建议：
- 在一项使用 HANCOCK 数据集的回顾性研究中，利用 POME 相似性查询进行辅助治疗方案的推荐。
- 与未匹配治疗方案的患者相比，那些接受了“POME 一致型”推荐治疗的患者，其 5 年总生存率显著更高，即使是在未实施任何疗法的亚组中也是如此。
变量语义：
- 对 MIMIC-IV 变量编码的探索性分析显示，学习到的语义空间与生物医学知识相一致。例如，“无粒细胞症（aplasia）”的嵌入与白细胞相关的变量（中性粒细胞、单核细胞）紧密聚集，这与已知的免疫抑制标志物一致。

意义与主张

本文将 POME 定位为解决生物医学研究中 POM 数据特定挑战的一种通用、即用的解决方案。

统一框架： POME 消除了需要分别处理缺失数据和变量集成的需求，它学习了一种能够天生尊重观测数据图结构的联合表示。
实用价值： 该模型运行快速（在 GPU 上训练 10,000 个样本耗时不到 2 分钟）并支持归纳推理，适用于迭代分析工作流和实际部署。
临床相关性： 研究证明 POME 嵌入不仅仅是数学抽象，它们捕捉到了具有临床行动力的信息，能够实现患者亚群发现、改进预测模型以及数据驱动的治疗方案推荐。
易用性： 作者提供了文档齐全的 Python 包 (pome-py)，可在 PyPI 和 GitHub 上获取，以促进其广泛采用。

作者对于未来的改进保持了谦逊的态度，指出虽然架构上的增强（如注意力模块、基于 Transformer 的解码器）可能会提升性能，但 POME 的核心价值在于成功地将二分图学习应用于 POM 数据。他们也承认了当前在处理超大规模数据集时的内存消耗以及在 GPU 硬件优化方面的局限性。