摘要
与单一组学数据相比，多组学数据集能从多个视角更好地表征复杂的细胞信号通路。然而，通过整合多组学数据分析来筛选关键疾病生物标志物并推断核心信号通路，仍是个尚未解决的问题。本研究中，开发了新型图人工智能模型 mosGraphFlow，用于：
1）分析多组学信号图（mosGraphs）；
2）解析阿尔茨海默病（AD）的多组学 mosGraph 数据集；
3）开发可视化工具，以助力已识别的疾病相关信号生物标志物及网络的可视化。
对比结果表明，所提出的模型不仅实现了最佳分类准确率，还识别出了重要的 AD 疾病生物标志物及信号互作关系。在可视化结果中，特定组学水平的信号来源被重点突出，便于理解疾病发病机制。该模型还可推广应用于其他多组学数据驱动的研究。
模型代码已通过 GitHub 公开获取：
https://github.com/FuhaiLiAiLab/mosGraphFlow
#多组学 #图人工智能 #阿尔茨海默病 #生物标志物挖掘
材料与方法
表1ROSMAP多组学数据处理前后的维度
结果
图1mosGraphFlow的工作流程概述
该工作流程包含 5 个分析步骤：步骤 1-2 对多组学数据进行预处理并与信号通路整合；步骤 3-4 通过基于注意力的消息传递操作进行蛋白质嵌入；随后利用节点 / 边相关的注意力分数识别并筛选关键信号靶点及互作关系。
表2与其他图神经网络模型的对比（AD/非AD分类）
表3与其他图神经网络模型的对比（女性/男性分类）
图2柱状图展示AD与非AD样本中的基因权重（重要性分数），按p值排序
表4与AD相关的前70个基因特征
图3非AD样本中前70个关键节点的信号网络互作
蓝色节点代表这 70 个关键基因，与这些蓝色节点相连的节点为具有显著性（p 值小于 0.2）的节点特征。1 阶相连节点为具有显著基因突变特征或转录组特征的基因；2 阶相连节点为具有显著甲基化特征的基因。节点大小代表基因特征的重要性差异，节点越大表示基于 p 值的显著性越高。
图4AD样本中前70个关键节点的信号网络互作
蓝色节点代表这 70 个关键基因，与这些蓝色节点相连的节点为具有显著性（p 值小于 0.2）的节点特征。1 阶相连节点为具有显著基因突变特征或转录组特征的基因；2 阶相连节点为具有显著甲基化特征的基因。节点大小代表基因特征的重要性差异，节点越大表示基于 p 值的显著性越高。
图5女性样本中前70个关键节点的信号网络互作
蓝色节点代表这 70 个关键基因，与这些蓝色节点相连的节点为具有显著性（p 值小于 0.2）的节点特征。1 阶相连节点为具有显著基因突变特征或转录组特征的基因；2 阶相连节点为具有显著甲基化特征的基因。节点大小代表基因特征的重要性差异，节点越大表示基于 p 值的显著性越高。
图6男性样本中前70个关键节点的信号网络互作
蓝色节点代表这 70 个关键基因，与这些蓝色节点相连的节点为具有显著性（p 值小于 0.2）的节点特征。1 阶相连节点为具有显著基因突变特征或转录组特征的基因；2 阶相连节点为具有显著甲基化特征的基因。节点大小代表基因特征的重要性差异，节点越大表示基于 p 值的显著性越高。
图7柱状图展示AD女性与男性样本中的基因权重（重要性分数），按p值排序
图8棒棒糖图展示基于AD相关前70个基因特征发现的前20条信号通路的假发现率（FDR）负对数（以10为底）及基因数量
由 ShinyGo 0.80 进行通路富集分析（FDR 阈值设为 0.05）生成。
图9桑基图展示已识别信号通路与对应基因的关联，基于AD相关前70个基因特征绘制
详细总结
思维导图（mindmap 脑图）
数据集详情
模型对比（AD/非AD分类）
参考
BMC Methods. 2025;2(1):23. doi: 10.1186/s44330-025-00041-8. MosGraphFlow: a novel integrative graph AI model mining signaling targets from multi-omic data
注：AI辅助创作，如有错误欢迎指出。内容仅供参考，不构成任何建议。
