撤回通知：用于时间组学数据预测的动态图神经网络学习方法

《IEEE Access》：Retraction Notice: Dynamic Graph Neural Network Learning for Temporal Omics Data Prediction

　　

摘要：

对生物系统的高通量研究正在快速产生大量“组学”规模的数据。其中许多研究会收集蛋白质组学和基因组学数据，以捕捉动态变化。虽然时间序列组学数据对于揭示各种疾病的机制至关重要，但由于技术和实验原因，这些数据中常常存在缺失（或不完整）的值。数据预测方法（即插补和预测）已被广泛用于缓解这些问题。然而，现有的插补和预测技术通常处理的是代表单个时间点的静态组学数据，并且是在数据完整的情况下进行预测的。在本文中，我们提出了一种基于图的方法来处理包含多个时间点缺失值的时间序列组学数据插补和预测问题。该方法利用组学数据样本之间的拓扑关系（例如蛋白质-蛋白质和基因-基因相互作用），并结合图卷积网络来首先推断不同时间点的缺失值。然后，我们将这些推断出的值与原始组学数据结合起来，使用长短期记忆网络进行时间序列插补和预测。在两个真实世界数据集上的评估表明，该方法相比现有的数据插补和预测方法具有明显优势。在组学数据集上，我们的方法在插补方面的平均均方误差降低了11.3%，在预测方面的平均均方误差降低了6.4%。