Structure&Pipeline

研究背景：表型的差异对应实体不一定就是致病的核心，即靶点。因此才会有富集分析扩大范围找到真正的致病点。但是尽管这一过程很好实现，但是由于数据的缺省、异质性、批次效应等等等，能够进行的分析工作十分局限。因此，近些年多组学整合成为一个热点，旨在利用有效的算法弥补数据上的不足，以顺利推进下游的分析。本研究提出了一种通过可逆模型捕捉组学实体之间依赖关系，进行多组学整合与靶点发现的方法。

核心思路解读：1）如果是自建数据集，大概率可以进行差异表达分析，则可以投入表达数据，做差异表达分析（当然也可以做其他的差异分析、突变分析等等等，关键是得到初始的焦点实体）。如果做不了，那就从输入或者任意实体开始，然后进行下一步分析。

2）有了焦点实体，我们还需要候选实体，这些候选实体是可以从焦点实体中富集的实体集，也可以是全部的数据库内的实体。如果有富集的过程，范围本身就比较小，速度会快很多。如果没有富集，那范围比较大，速度会慢很多很多。我们算作快速模式和精准模式。然后进行下一步。

3）根据任务的定义的所有实体，调用数据——————>数据的组织形式还是个大问题。

4）TVM优化指标量（目前的指标量：微分系数，Spearman相关系数），筛选出相关性最大实体，形成图------------------------------>图生成过程是否合理呢？病患图生成和正常样本的图生成分开，最终对比生成的图，交集点即为关键的靶点，在病患途中到焦点实体的传播路径即为可能的病理机制变化。

5）临床相关性，利用生成的图进行下游的病患的生存预测，理论上能得到一个高的一致性与cox评估。

设计原则：1）能用的样本全用上，只考虑分子标签集的变化。2）轻量化传参

重点及难点：1）病变机制究竟是态的变化还是路的变化？2）路径生成

管线设计：1）数据库设计:详见Multi-omics数据库设计

存在问题：数据的组织形式

组学数据的组织形式：

对单个基因G,可用的量化数据如下：

1.Copy Number Segment（log2比值离散化）-2（纯合缺失）, -1（杂合缺失）, 0（中性）, +1（低扩增）, +2（高扩增）

2.Differential Gene Expression{ -1, 0, +1 } 对应下调/无/上调

3.Gene Expression Quantification（log2(TPM+1)）0（无表达）→ 一般在10以内（如MYC≈6.5）

4.Masked Somatic Mutation突变频谱计数，整数计数（0~N）

5.Methylation Beta Value：原始β值，比例型（0~1）<0.3为低甲基化，>0.7为高甲基化

6.miRNA Expression Quantification，log2(RPM+1)，0（未检测）→8（高表达miR-21）

7.Protein Expression Quantification，Z-score归一化，标准化连续值，(原始值-平均值)/标准差，典型范围-3~+3

8.Slide Image & Tissue Microarray Image，特征提取值

1）二维张量/矩阵形式

column=(case_id,genes×omics）

对基因组就需要做笛卡尔积了

图生成过程是否合理呢？

dumbass模式：

逻辑：取三个癌基因，占比1，掺进去一个，那么就是大于等于三分之二。不妨做一个二分类，大于等于1和大于等于三分之二。包含不要紧，就看有没有掺进来但是还是被划分到大于1的情况，那这个肯定是癌相关基因。当时又怎么从数值上定义这种包含的标签呢，比如我们选择一个参考点5，5-1=4，5-2/3=13/3.或者说标签变量能不能是个范围，那肯定是个能（p，1），（p，2/3）

模型首选是：vae，resnet&xgb

输出：（p，1），（p,2/3)，令p=1，当然三可以换成的别的5啥的。虽然但是，这个不能表示包含关系。怎么才能有表示包含关系的数/数据？向量之间是存在包含关系的吧，

可以两个空间的特征向量为D=(p,1)和d=(q,2/3)，然后D包含于d，把这种包含关系定义为：D//d,且|D|<|d|.可以求出，复数域了到……不太行。

在策略训练策略上，两阶段训练，一阶段：全部用癌基因训练，预测变量都是1，出来一个模型。然后引入一个未知基因1或者2/3，训练，再用原来的1来验证，哪个准确度高哪个就是保留哪个模型，并且标记这个基因为癌基因/非癌症基因。总感觉就那样，不太行。还是选用成药的靶点。

明确思路：两个阶段训练：1）利用已知癌基因（5个）的组学预测目标基因中癌基因比例（因为全是癌基因阳性，标签量（比例）全为1）2）向目标基因中掺入3个未知基因（假设标签量（比例）为2/5），微调训练，由癌基因的数据进行验证。引入评价掺入基因的癌症影响的指数：CII=1-ratepre，可见CII->0,掺入基因对癌症的越关键。

这么一整的话，rf/xgb好像不太行，微调不要。resnet，vae都可以

补充说明：

CounterPaper/Model:GeSubNet( GESUBNET: GENE INTERACTION INFERENCE FOR  DISEASE SUBTYPE NETWORK GENERATION)