AFEI: adaptive optimized vertical federated learning for heterogeneous multi-omics data integration

Breve Bioinform. 2023 Jul 27:bbad269. doi: 10.1093/bib/bbad269. Online ahead of print.

RESUMO

A aprendizagem federada vertical tem ganhado popularidade como um meio de possibilitar a colaboração e compartilhamento de informações entre diferentes entidades, mantendo a privacidade e segurança dos dados. Essa abordagem tem aplicações potenciais na área da saúde em doenças, previsão de prognóstico de câncer e em outras indústrias onde a privacidade de dados é uma grande preocupação. Embora o uso de dados multi-ômicos para previsão de prognóstico de câncer forneça mais informações para a seleção de tratamentos, a coleta de diferentes tipos de dados ômicos pode ser desafiadora devido à sua produção em diversas instituições médicas. Os donos dos dados devem cumprir regulamentações rigorosas de proteção de dados, como o Regulamento Geral de Proteção de Dados da União Europeia (GDPR). Para compartilhar dados de pacientes entre várias instituições, questões de privacidade e segurança devem ser abordadas. Portanto, propomos um framework adaptativo otimizado baseado em aprendizagem federada vertical para integração de dados multi-ômicos heterogêneos (AFEI) para integrar dados multi-ômicos coletados de várias instituições para previsão de prognóstico de câncer. AFEI permite que as partes participantes construam um modelo de avaliação conjunto preciso para aprender mais informações relacionadas a pacientes com câncer sob diferentes perspectivas, com base nos recursos multi-ômicos distribuídos e criptografados compartilhados por múltiplas instituições. Os resultados experimentais demonstram que o AFEI alcança uma maior precisão de previsão (em média 6,5%) do que o uso de dados ômicos únicos, ao utilizar os dados multi-ômicos criptografados de diferentes instituições, e tem uma performance quase tão boa quanto a previsão de prognóstico ao integrar diretamente dados multi-ômicos. Em geral, o AFEI pode ser visto como uma solução eficiente para derrubar barreiras à colaboração multi-institucional e promover o desenvolvimento da previsão de prognóstico de câncer.

PMID:37497720 | DOI:10.1093/bib/bbad269