Enhancing Biomarker Discovery in Tumor Hypoxia for Head and Neck Squamous Cell Carcinoma: Advancing Spatial Omics Data Accessibility through Convolutional Autoencoders

Spatial omics ermöglichen es, räumliche Aspekte in Tumoren wie Hypoxie zu untersuchen und dadurch neue Biomarker zu identifzieren. Allerdings ist die Analyse dieser Daten aufgrund ihrer hohen Dimensionalität, der typischerweise geringen Strichprobengröße und starken Multikollinearität herausfordernd, insbesondere da Hypoxie-Features von anderen, dominanteren Signalen überlagert werden. Im Gegensatz zu rein prädiktiven Aufgaben erfordern Biomarker ein hohes Maß an Erklärbarkeit und mehr als das Identifizieren einiger weniger charakteristischer Features. In dieser Arbeit wird eine Kombination aus Convolutional Autoencodern und Random Forests genutzt, um die Stärken beider Algorithmen zu nutzen und so die Multikollinearität zu kontrollieren und zugleich erklärbare Modelle zu gewährleisten. Als Daten werden Mass Spectrometry Imaging und Spatial Transcriptomics aus konsekutiven Schnitten von Kopf-Hals-Karzinom-Modellen genutzt. Die Ergebnisse zeigen, dass der vorgeschlagene kombinierte Ansatz durchgehend biologisch relevantere Features extrahiert im Vergleich zu reinen Random Forest Modellen. Außerdem wird aufgezeigt, wie sich Spatial Omics Daten kombinieren lassen um multimodale Biomarker zu extrahieren.

Mit der steigenden Menge an (Spatial) Omics Daten gewinnen erklärbare Deep Learning Ansätze zunehmend an Bedeutung. Diese Arbeit trägt zum Verständnis von Autoencodern bei, indem sie aufzeigt, wie sich bestimmte Merkmale in Spatial Omics Daten in den latenten Features ausprägen, beziehungsweise wie diese mittels Hyperparameterkonfiguration adaptiert werden können.