基因组学、蛋白质组学、代谢组学、转录组学——高通量生物医学技术的快速发展使得能够从越来越多的组学中收集前所未有的详细数据。但是，如何最好地利用组学数据中的相互作用和补充信息?

为了充分利用组学技术的进步，更全面地了解人类疾病的生物学过程，Regenstrief 研究所和印第安纳州、普渡大学和杜兰大学的研究人员开发并测试了 MOGONET，这是一种新型的多组学数据分析算法和计算方法. 整合来自各种组学的数据可以更全面地了解人类疾病的生物过程。创建者已将 MOGONET 开源、免费且可供所有研究人员使用。

在Nature Communications 上发表的一项研究中，科学家们证明 MOGONET(Multi-Omics Graph cOnvolutional NETworks 的缩写)优于使用 mRNA 表达数据、DNA 甲基化数据和 microRNA 表达数据的不同生物医学分类应用的现有监督多组学综合分析方法.

他们还确定 MOGONET 可以从不同的组学数据类型中识别重要的组学特征和生物标志物。

“通过 MOGONET，我们的新 AI [人工智能] 工具，我们采用基于神经网络的机器学习，捕捉复杂的生物过程关系。我们对组学的理解更加全面，并且正在更多地了解生物标志物帮助我们区分的疾病亚型，”领导这项研究的 Regenstrief 研究所研究科学家 Kun Huang 博士说。“最终目标是改善疾病预后并增强疾病结果预测。”作为一名生物信息学家，他认为 MOGONET 研究小组的多样性，其中包括计算机科学家以及数据科学家和生物信息学家，他们的不同观点有助于其发展和成功。他担任印第安纳大学精准健康计划的数据科学和信息学主任。

研究人员在与阿尔茨海默病、神经胶质瘤、肾癌和乳腺癌浸润性癌相关的数据集以及健康患者数据集上测试了 MOGONET 。他们确定 MOGONET 轻松胜过现有的监督多组学集成方法。

“学习和整合直觉识别，MOGONET 可以产生新的生物标志物候选疾病，” 研究合著者 Regenstrief 研究所附属科学家、生物信息学家张杰博士说。“MOGONET 还可以预测新的癌症亚型、肿瘤分级和疾病进展。它可以识别正常的大脑活动与阿尔茨海默病。”

博士 Huang 和 Zhang 计划将这项工作扩展到组学之外，以包括成像数据，并指出 AD 和癌症相关病理学图像的丰富大脑图像可以教会 MOGONET 识别以前从未遇到过的病例。两位科学家都指出，经过严格的临床研究，MOGONET 可以在许多领域支持改善患者护理。

除了博士。“MOGONET 使用图卷积网络集成多组学数据，允许患者分类和生物标志物识别”的作者 Huang 和 Zhang 是印第安纳大学的 Tongxin Wang 博士和 Haixu Tang 博士，Wei Shao 博士.D.，IU医学院;IU医学院和普渡大学的黄志;丁正明，博士 杜兰大学。王博士在黄博士的实验室工作。丁博士原就职于印第安纳大学，是机器学习领域的专家。