PINT：用于从基因表达预测可解释临床结局的通路—通路相互作用

研究动机：疾病机制源于多个生物通路的协同活动，而非彼此孤立的单个通路独立作用。然而，现有基于通路的深度学习模型将通路视为相互独立的实体，并通过忽略通路间关系的全连接层对其表征进行聚合。这种架构上的局限性忽视了疾病生物学的一个重要维度，可能限制模型的预测性能以及生成具有生物学意义解释的能力。 结果：我们提出了一种基于通路的注意力可解释性模型，命名为 PINT，该模型利用来自基因表达数据的自注意力机制对通路间相互作用进行建模。基于注意力的池化层进一步识别了患者特异性的通路对最终预测的贡献。在五个 TCGA 癌症数据集上的评估表明，PINT 在生存分析中始终优于基准模型。更重要的是，PINT 不仅能够识别与生存显著相关的通路，还能够揭示通路之间具有生物学意义的相互作用。在 BRCA 数据集中，PINT 识别出了显著通路、通路—通路相互作用，以及个体患者中通路内部基因层面的贡献，其中大多数结果都得到了现有文献的支持。具体而言，RAS 信号通路被发现与患者生存显著相关，并且所学习到的相互作用评分恢复了 RAS 信号通路与若干调控通路之间已知的关系，包括 cAMP、TNF 和 Rap1 信号通路。 可获取性与实现：源代码和数据可在 https://github.com/datax-lab/PINT 获取。

动机：疾病机制源于多个生物通路的协同活动，而非彼此孤立的单个通路所致。然而，现有基于通路的深度学习模型通常将通路视为相互独立的实体，并通过忽略通路间关系的全连接层对其表示进行聚合。这种架构上的局限忽视了疾病生物学中的一个重要维度，因而可能限制模型的预测性能以及生成具有生物学意义解释的能力。

结果：我们提出了一种基于通路的注意力可解释性模型，命名为 PINT，该模型通过基因表达数据中的自注意力机制对通路间相互作用进行建模。进一步地，一个基于注意力的池化层能够识别患者特异性的通路对最终预测的贡献。在五个 TCGA 癌症数据集上的评估表明，PINT 在生存分析中始终优于基准模型。更重要的是，PINT 不仅能够识别与生存显著相关的通路，还能揭示通路之间具有生物学意义的相互作用。在 BRCA 数据集中，PINT 识别出了显著通路、通路—通路相互作用，以及个体患者中通路内基因层面的贡献，其中大多数结果均得到了现有文献的支持。具体而言，RAS 信号通路被发现与患者生存显著相关，而模型学习得到的相互作用评分也恢复了 RAS 信号通路与若干调控通路之间已知的关系，包括 cAMP、TNF 和 Rap1 信号通路。

可用性与实现：源代码和数据可在 https://github.com/datax-lab/PINT 获取。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.11.744286v1?rss=1

🏷️ 基因表达 通路相互作用 可解释深度学习 生存分析 癌症预后