Additional file 1 of A systematic review of biologically-informed deep learning models for cancer: fundamental trends for encoding and interpreting oncology data

Additional file 1: Strategies of domain knowledge integration and explainability methodsLegends: Types of omic data: G - genomics, P - proteomics, T - transcriptomics, E - epigenomics; GO - GeneOntology; PPI - protein-protein interaction; WGCNA - Weighted Correlation Network Analysis; Deep Learningarchitecture: AE - autoencoder, ANN - Artificial Neural Networks, CNN - Convolutional Neural Network, DAE -Denoising Autoencoder, DBN - Deep Belief Network, DNN - Deep Neural Network, GCNN - graph convolutionalneural network, GCNN-MLP - GCNN multilayer perceptron, MMD-VAE - Maximum Mean Discrepancy VariationalAutoencoder, VAE - Variational Autoencoder, VCDN - View Correlation Discovery Network; Interpretability method:LRP - layer-wise relevance propagation; Interpretability group: II - intrinsically interpretable, PH - post-hoc; Interpretability group: PROC - Processing; REPR - Representation; CREATE -Explanation producing; NA - not applicable.

附加文件1：领域知识整合策略与可解释性方法
图例：组学数据类型：G - 基因组学（genomics），P - 蛋白质组学（proteomics），T - 转录组学（transcriptomics），E - 表观基因组学（epigenomics）；GO - 基因本体（Gene Ontology）；PPI - 蛋白质-蛋白质相互作用（protein-protein interaction）；WGCNA - 加权基因共表达网络分析（Weighted Correlation Network Analysis）；
深度学习架构（Deep Learning architecture）：AE - 自编码器（autoencoder），ANN - 人工神经网络（Artificial Neural Networks），CNN - 卷积神经网络（Convolutional Neural Network），DAE - 去噪自编码器（Denoising Autoencoder），DBN - 深度置信网络（Deep Belief Network），DNN - 深度神经网络（Deep Neural Network），GCNN - 图卷积神经网络（graph convolutional neural network），GCNN-MLP - 图卷积神经网络-多层感知机（GCNN multilayer perceptron），MMD-VAE - 最大平均差异变分自编码器（Maximum Mean Discrepancy Variational Autoencoder），VAE - 变分自编码器（Variational Autoencoder），VCDN - 视图关联发现网络（View Correlation Discovery Network）；
可解释性方法（Interpretability method）：LRP - 逐层相关性传播（layer-wise relevance propagation）；可解释性组别（Interpretability group）：II - 固有可解释方法（intrinsically interpretable），PH - 事后解释方法（post-hoc）；可解释性组别（Interpretability group）：PROC - 处理类（Processing），REPR - 表征类（Representation），CREATE - 解释生成类（Explanation producing），NA - 不适用（not applicable）。