MOGEDN: small-sample cancer subtype classification with encoder–decoder networks for missing-omics recovery and biomarker discovery
Notice bibliographique
Résumé
Effective cancer subtype classification from multi-omics data remains challenging due to incomplete omics data and limited sample sizes. While graph convolutional networks (GCNs) have been used to incorporate inter-sample relationships for enhancing small-sample classification, their performance deteriorates when a certain omics modality is entirely missing. Here, we propose MOGEDN, a novel framework for cancer subtype classification using multi-omics encoder-decoder networks designed to reconstruct the latent features of missing omics data. The reconstructed features are integrated with available omics features to enable robust prediction under small-sample and missing-omics settings. We develop a step-wise algorithm to pretrain our model with diverse cancer types then to finetune for a specific cancer type while incorporating inter-sample and cross-omics dependencies. Evaluated on TCGA cancer datasets including subtypes with fewer than 50 samples, MOGEDEN consistently outperforms state-of-the-art baselines in accuracy and F1 scores. Moreover, MOGEDN's feature analysis provides two complementary biomarker sets: biomarkers shared across diverse cancer types in the pretraining phase; and biomarkers for a specific cancer type in the finetuning phase, facilitating model interpretability, and biological findings. These results highlight decoder-based imputation as a powerful approach to enhance multi-omics learning, delivering accurate classification, robust few-shot performance, and multi-scale biomarker discovery in incomplete multi-omics cohorts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».