Multi-Task Adaptive Deep Sparse Kanonische Korrelationsanalyse zur Vorhersage des Überlebens bei Krebs durch Multi-Omics-Daten

Die Integration von hochdimensionalen Multi-Omics-Daten ist entscheidend, um die koordinierten molekularen Mechanismen, die der Krebsprogression zugrunde liegen, aufzudecken und die Überlebensvorhersage zu verbessern. DNA-Methylierung und mRNA-Expression stellen zwei eng gekoppelte regulatorische Ebenen dar; viele bestehende Ansätze modellieren sie jedoch entweder unabhängig voneinander oder stützen sich auf lineare Annahmen, die die nichtlineare Cross-Omics-Struktur nicht erfassen. Hier schlagen wir MT-ADSCCA vor, ein Multitask-adaptives tiefes sparsames kanonisches Korrelationsanalyse-Framework, das korrelierte latente Repräsentationen gemeinsam lernt, interpretierbare Multi-Omics-Biomarker auswählt und das nachgelagerte Überlebensmodell unterstützt. MT-ADSCCA bettet sparsame CCA in eine nichtlineare Encoder-Architektur ein und verwendet unsicherheitsgeführte adaptive Gewichtung, um das Multi-Objective-Training zu stabilisieren. Die ausgewählten Merkmale wurden anschließend mithilfe eines BiLSTM–Cox-Überlebensnetzwerks modelliert, wobei Gene nach chromosomalen Koordinaten angeordnet wurden, um lokale genomische Abhängigkeiten zu erfassen. Wir bewerteten MT-ADSCCA mithilfe einer ereignis-stratifizierten verschachtelten 10-fachen Kreuzvalidierung über drei TCGA-Kohorten: invasives Mammakarzinom (BRCA), Gliom (GBMLGG) und Pankreaskrebs (KIPAN), einschließlich 485, 563 und 652 übereinstimmenden Multi-Omics-Proben. MT-ADSCCA erreichte die höchsten Übereinstimmungsindizes über alle Kohorten hinweg und übertraf sechs Feature-Selection-Baseline-Methoden (DA, WGCNA, lmQCM, CCA, OSCCA, DeepCorrSurv) und vier Überlebensmodell-Baselines (LASSO-Cox, RSF, MTLSA, DeepSurv). Kaplan–Meier-Analysen bestätigten zudem eine klare Trennung zwischen den vorhergesagten Hoch- und Niedrigrisikogruppen. Die ausgewählten kanonischen Merkmale waren in biologisch kohärente funktionale Kategorien angereichert, was die Interpretierbarkeit der gelernten Muster unterstützt. Diese Ergebnisse zeigen zusammen, dass MT-ADSCCA ein robustes und interpretierbares Framework für die Multi-Omics-Integration und die Vorhersage der Krebsprognose bietet.