摘要

多组学互作（包括组内互作、组间互作以及社会环境调控作用）是挖掘单一组学分析、传统整合手段难以发现分子机制的关键。深度学习为攻克现有研究局限提供了可行方案，可解决高维非线性互作建模、样本量不足与多重检验带来的计算负担等难题。

mingon.kang@unlv.edu

tmersha@iu.edu

#多组学 #组内互作 #组间互作 #深度学习 #通路先验模型 #基础大模型 #基因环境互作 #可解释人工智能 #疾病机制 #精准医学

多组学互作定义与分类

图1  多组学互作分析整体技术框架

(A) 多组学分层架构：基因组、转录组、表观组、蛋白质组，区分主效应、组内互作、组间互作，整合后形成综合多组学特征；

(B) 多组学与社会环境因子交互：纳入人口临床指标、环境污染、社会生活因素；

(C) 2类深度学习解决方案：通路先验神经网络、基础大模型域自适应学习，提升模型统计效力与稳健性。通路先验深度学习架构分层：基因组层→基因层→通路层→生物学过程输出层，约束全基因组两两遍历计算量，仅分析通路内部基因互作；

域自适应：源域大规模多组学基础大模型迁移至小样本目标数据集。

现有深度学习多组学互作模型汇总

表1  基于深度学习的多组学互作模型汇总

DNAm=DNA甲基化；mRNA =信使RNA；miRNA =微小RNA；lncRNA 长非编码RNA；WSI 病理切片图像

详细总结

思维导图（mindmap脑图）

核心概念：2类多组学互作定义

参考

Bioinform Adv. 2026 Jul 9;6(1):vbag165. doi: 10.1093/bioadv/vbag165.  

Intra- and inter-multi-omics interaction analysis using deep learning

注：AI辅助创作，如有不当欢迎指出。内容仅供参考，不构成任何建议。