Back to search

National and Kapodistrian University of Athens

Interpretable Graph Neural Networks for Multi-Omics

Abstract

dc:description

Η ταυτότητα των κυττάρων διαμορφώνεται από μεταγραφικούς παράγοντες που δρουν μέσω προσβάσιμων cis-ρυθμιστικών στοιχείων. Ωστόσο, τα μοντέλα ταξινόμησης μεμονωμένων κυττάρων σπάνια εξηγούν τη ρυθμιστική βάση των προβλέψεών τους. Σκοπός της παρούσας εργασίας είναι η ανάπτυξη και αξιολόγηση ενός ερμηνεύσιμου υπολογιστικού μοντέλου για την ταξινόμηση κυτταρικών τύπων και την εξαγωγή γονιδιακών ρυθμιστικών δικτύων από πολυωμικά δεδομένα μεμονωμένων κυττάρων. Για τον σκοπό αυτό παρουσιάζεται το NUTMEG, ένα ετερογενές νευρωνικό δίκτυο γράφου με μηχανισμό προσοχής. Το μοντέλο ταξινομεί κύτταρα μέσω ενός ρητού δικτύου της μορφής μεταγραφικός παράγοντας → cis-ρυθμιστικό στοιχείο → γονίδιο, το οποίο κατασκευάζεται από συζευγμένες μετρήσεις γονιδιακής έκφρασης (RNA-seq) και χρωματινικής προσβασιμότητας (ATAC seq). Αρχικά εφαρμόστηκε ποιοτικός έλεγχος και προεπεξεργασία των δεδομένων, στη συνέχεια κατασκευάστηκε το γονιδιακό ρυθμιστικό δίκτυο και εξήχθησαν επιμέρους ενεργά υποδίκτυα ανά κύτταρο. Το NUTMEG εκπαιδεύτηκε για την ταξινόμηση των κυττάρων, ενώ οι προβλέψεις του ερμηνεύτηκαν μέσω των βαρών προσοχής, της συνεισφοράς των γονιδίων και στατιστικών ελέγχων με τυχαίες μεταθέσεις. Το μοντέλο αξιολογήθηκε σε 2.320 μονοπύρηνα κύτταρα περιφερικού αίματος από εννέα κυτταρικούς πληθυσμούς. Συγκρίθηκαν η πολυωμική εκδοχή του NUTMEG, δύο εκδοχές μόνο με δεδομένα μεταγραφώματος και ένα γραμμικό μοντέλο SVM. Η πλήρης RNA-only εκδοχή παρουσίασε την υψηλότερη επίδοση ταξινόμησης (macro F1: 0,9341), ενώ η πολυωμική εκδοχή είχε χαμηλότερη επίδοση (macro F1: 0,7830), αλλά παρείχε τις πιο βιολογικά συνεκτικές και ερμηνεύσιμες εξηγήσεις. Η πολυωμική αναπαράσταση ανέδειξε γνωστά γονίδια-δείκτες και ρυθμιστικά μονοπάτια ανά κυτταρικό τύπο, διατηρώντας τη διάκριση μεταξύ των κυτταρικών σειρών CD4 και CD8. Επιπλέον, τα εξαγόμενα ρυθμιστικά δίκτυα περιέλαβαν ρυθμιστές συμβατούς με τη βιολογία των αντίστοιχων κυτταρικών πληθυσμών. Συνεπώς, η ενσωμάτωση της χρωματινικής προσβασιμότητας μπορεί να μειώνει την ακρίβεια ταξινόμησης, αλλά ενισχύει τη δυνατότητα ερμηνείας των προβλέψεων και την εξαγωγή βιολογικά τεκμηριωμένων υποθέσεων για τη γονιδιακή ρύθμιση.

Author and committee

dc:creator, dc:contributor.*
Authors dc:creator
  • Παπαγεωργίου Φωτεινή
  • Papageorgiou Foteini

Subjects

dc:subject × 2

Rights

Language dc:language
English

Identifiers

dc:identifier.*
Identifier
uoadl:5451399

Chain of custody

source
Harvested from
National and Kapodistrian University of Athens
Base URL
pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh
Last updated
2026-11-19
Source record
OAI-PMH GetRecord
citation

Παπαγεωργίου Φωτεινή; Papageorgiou Foteini. Interpretable Graph Neural Networks for Multi-Omics. 2026. https://pergamos.lib.uoa.gr/uoa/dl/object/5451399