動機：マルチオミクスデータ統合は複雑な生物学的システムの理解に不可欠である。しかし既存のネットワークに基づく手法は、単一のレベル、すなわち患者の類似性ネットワークまたは分子の相互作用ネットワークのいずれかにとどまり、その両者を橋渡しできていない。本研究では、患者レベルの統合と分子レベルのネットワーク解析の間にあるギャップに対処するため、両者を統一する階層的枠組みを提案する。
結果：HiNoN（Hierarchical Network-of-Networks）を導入する。これは2レベルの枠組みであり、融合した患者類似性ネットワークを、サブグループ特異的な微生物関連ネットワークおよび宿主遺伝子の共発現ネットワークに結び付ける。200回のシミュレーション実行において、サブグループの回復は、大規模コホート（n=500で平均ARI 0.95）および2群設定（平均ARI 0.88）で最も強かったが、ノイズの増加およびサブグループ数の増加に伴って低下した。次に、対になった冠動脈疾患サンプル50例に対して、漏洩のない繰り返しネストした交差検証を行った。事前に指定した16成分表現では、初期結合がHiNoN-path2-SGCよりもROC–AUC（0.923対0.911）、PR–AUC（0.958対0.949）、校正で優れていた。感度分析では、より攻撃的な圧縮の下で異なるパターンが示された。8成分では、HiNoN-path2-SGCがROC–AUCを0.073改善し、さらにバランス精度、Brierスコア、校正誤差も改善した。教師なしクラスタは疾患ラベルとの一致がごくわずかであり（ARI =-0.006；NMI =0.016）、探索的なものとして扱う。これらの結果は、HiNoNを、表現の乏しさのもとでのトポロジーを考慮した正則化として特徴づけるものであり、常に優れた分類器ではない。
https://doi.org/10.20944/preprints202609.0226.v1