题目：Distant metastasis identification based on optimized graph representation of gene interaction patterns

杂志：Brief Bioinform

日期：2022 年 1 月 17 日

Doi：10.1093/bib/bbab468

癌症转移是肿瘤细胞从原发部位扩散，并通过侵入淋巴管和血管，在原发部位以外的地方继续生长形成肿瘤的过程。它是癌症发病率和死亡率的主要原因，大多数癌症死亡是由它而不是原发肿瘤引起的。据报道，因转移导致的死亡占所有癌症死亡的 90% 。转移可分为区域转移和远处转移。当癌症扩散到附近的淋巴结、组织或器官时发生区域转移，而癌症扩散到身体的较远部位，称为远处转移。很多癌症患者如果治疗得当，预后良好，但一旦发生转移，尤其是远处转移，就会大大增加诊治难度。为了提高癌症的***，减轻患者的痛苦，必须预测癌症患者是否存在转移，然后选择合适的治疗策略。

在这项研究中，我们提出了 glmGCN 算法，为每个样本构建图形表示并识别远处转移样本。每个样本的 mRNA 和 lncRNA 表达水平和基因相互作用模式都用于构建图表。我们在 GL 层改进了给定的初始图，更加关注图表示的结构关系。

我们将 glmGCN 应用于四种不同类型的癌症（CESC、STAD、PAAD 和 BLCA），并将我们的方法与基于 GCN 的方法、DNN 和三种非深度机器学习方法进行比较，以验证所提出模型的准确性。我们发现通过glmGCN提取的特征可以粗略的区分转移样本和非转移样本，比原始特征更有效。我们还发现 glmGCN 的性能优于 GCN 和具有普通 GL 层的 GCN。这表明 GL 模块可以很好地表示图形，我们改进的 GL 模块比原始 GL 层表现更好。在我们的实验中还证明，glmGCN 比非深度方法更准确，因为我们的方法中使用了更复杂的特征。