Abstract Survival analysis and prediction are important in cancer studies. In addition to the Cox proportional hazards model, recently deep learning models have been proposed to integrate the multi-omics data for survival prediction. Cancer signaling pathways are important and interpretable concepts that define the signaling cascades regulating cancer development and drug resistance. Thus, it is interesting and important to investigate the relevance to patients’ survival of individual signaling pathways. In this exploratory study, we propose to investigate the relevance and difference of a small set of core cancer signaling pathways in the survival analysis of cancer patients. Specifically, we built a biologically meaningful and simplified deep neural network, DeepSigSurvNet, for survival prediction. In the model, the gene expression and copy number data of 1648 genes from 46 major signaling pathways are used. We applied the model on 4 types of cancer and investigated the relevance and difference of the 46 signaling pathways among the 4 types of cancer. Interestingly, the interpretable analysis identified the distinct patterns of these signaling pathways, which are helpful to understand the relevance of the signaling pathways in terms of their association with cancer survival time. These highly relevant signaling pathways can be novel targets, combined with other essential signaling pathways inhibitors, for drug and drug combination prediction to improve cancer patients’ survival time.

Abstract The integration and interpretation of multi-omics data play a crucial role in systems biology for prioritizing vital molecular targets and deciphering core signaling pathways of complex diseases, such as cancer, COVID-19 and Alzheimer’s disease. However, it remains a challenge that has not been adequately addressed. Graph neural networks (GNN) have emerged as powerful artificial intelligence models for analyzing data with a graphical structure. Nevertheless, GNN models have not been sufficiently designed for integrative and interpretable multi-omics data analysis. In this study, we propose a novel multi-scale multi-hop multi-omics GNN model, M3NetFlow , to integrate and interpret multi-omics data to rank key targets and infer core signaling pathways. Specifically, we applied the M3NetFlow model to infer cell-line-specific core signaling networks explaining drug combination response. The evaluation and comparison results on drug combination prediction showed that the M3NetFlow model achieved significantly higher prediction accuracy than existing GNN models. Furthermore, M3NetFlow can predict key targets and infer essential signaling networks regulating drug combination response. It is critical for guiding the development of personalized precision medicine for patients with drug resistance. This model can be applied to general multi-omics data-driven research. Aside from that, we developed the visualization tool, NetFlowVis , the better analysis of targets and signaling pathways of drugs and drug combinations.

Abstract Generative pretrained models represent a significant advancement in natural language processing and computer vision, which can generate coherent and contextually relevant content based on the pre-training on large general datasets and fine-tune for specific tasks. Building foundation models using large scale omic data is promising to decode and understand the complex signaling language patterns within cells. Different from existing foundation models of omic data, we build a foundation model, mosGraphGPT , for multi-omic signaling (mos) graphs, in which the multi-omic data was integrated and interpreted using a multi-level signaling graph. The model was pretrained using multi-omic data of cancers in The Cancer Genome Atlas (TCGA), and fine-turned for multi-omic data of Alzheimer’s Disease (AD). The experimental evaluation results showed that the model can not only improve the disease classification accuracy, but also is interpretable by uncovering disease targets and signaling interactions. And the model code are uploaded via GitHub with link: https://github.com/mosGraph/mosGraphGPT

Passive millimeter–wave (PMMW) scanners are widely used for personal security screening in public places due to their nonradiation and high real‐time capabilities. However, the images obtained by these scanners frequently exhibit low signal‐to‐noise ratios and contrast, presenting challenges for automated detection systems. To address this issue, we propose an efficient semantic segmentation approach, FA‐UNet, that employs a UNet architecture with a fusion attention mechanism to conduct binary classification (human body vs. background, including objects) for PMMW images. This approach incorporates a spatial attention mechanism into the lateral connections between the encoder and decoder and introduces a channel attention mechanism during the feature fusion process in the decoder. By combining these attention mechanisms, FA‐UNet leads to more precise segmentation outcomes. The segmented image is then fused with the original image using our multistage fusion method, in which, first, the two images are blended in a 1:1 ratio for object detection. Then, a new fused image is obtained by adjusting the ratio within a certain range (0.3–0.5). Finally, the object detection results are overlaid on this fused image to generate a directly displayable image. We evaluate our method using a self‐made dataset. Experimental results demonstrate that FA‐UNet can accurately segment the human body region and preserve object shapes effectively. Using the fused image for object detection helps reduce false detections caused by background noise interference while improving the detection rate of weak targets. Additionally, the fused image aids in manual image interpretation in locations with higher security inspection levels and contributes to protect the privacy of individuals undergoing inspection to the greatest extent possible.