张刘超 荣志炜 赵薇薇 李 康△

【提 要】 目的 探讨图卷积神经网络(graph convolutional neural network，GCNN)利用PPI网络对组学数据的分类预测效能。方法 通过模拟实验和实例研究，对GCNN、随机森林、支持向量机和多层感知机共四种方法的分类效果进行比较。结果 模拟实验结果显示，即便在样本量和网络中节点数量较少时，GCNN的分类效能也明显优于其他三种方法，并且随着节点数量的增加而不断提高。实例研究表明，利用STRING网络，GCNN的分类效能最优。结论 GCNN在组学数据的研究中极具潜力，值得进一步研究。

肿瘤的发生发展是基因突变、表观遗传学改变，以及环境因素等共同作用的结果[1]。图卷积神经网络(GCNN)[2]是一种适用于图(网络)结构数据的深度学习算法，即利用已知的PPI(protein-protein interaction)网络提供的基因相互作用关系，可以更有效的提取肿瘤样本的数据特征，再使用深度学习建立判别模型，有利于提高模型的判别能力，实现更好的分类预测效能。本研究通过模拟实验探究GCNN方法的分类预测效能，并与多层感知机(MLP)、随机森林(RF)和支持向量机(SVM)三种方法进行比较，最后给出应用实例。

方法和原理

1.基本原理

图结构数据[3]由网络图和节点特征值组成，网络图是指根据特定的生物学关系，如基因调控或蛋白互作关系等构成的网络图形，可以用G=(V，E，A)表示，其中V表示节点，E为连接边，A为加权邻接矩阵，每个节点有其对应的特征值。在PPI网络中，节点代表蛋白质或其对应的基因，连接边表示基因间的相互作用关系，特征值即为基因或蛋白质的表达值。……