CMGL：基于置信导向的多组学图学习用于癌症亚型分类
机器学习
2026-04-28 v1 基因组学
分子网络
摘要
动机：多组学整合可提高癌症分型，但不同癌症类型和患者间的组学信息性和噪声程度各不相同。现有图谱方法同时优化组学权重和分类目标，缺乏独立的可靠性估计，导致低质量组学数据扭曲患者相似度图，并通过消息传递放大噪声。结果：我们提出CMGL框架，采用证据深度学习估计每个样本的组学可靠性得分，并使用冻结的置信度得分引导跨组学融合和图构建。在四个MLOms癌症亚型任务和32类的全癌症任务中，CMGL consistently优于最强基线，在四个单癌症任务中平均准确率提升4.03%。其表征恢复了乳腺肠癌（BRCA）的PAM50内在亚型，且在不进行微调的情况下，将BRCA训练的模型迁移到肾细胞鞘状细胞癌（KIRC），对患者进行预后分层。
引用
@article{arxiv.2604.24201,
title = {CMGL: Confidence-guided Multi-omics Graph Learning for Cancer Subtype Classification},
author = {Boyang Fan and Hengchuang Yin and Siyu Yi and Yifan Wang and Zhicheng Li and Leijiyu Zhou and Jiancheng Lv and Wei Ju},
journal= {arXiv preprint arXiv:2604.24201},
year = {2026}
}
备注
24 pages, 15 figures, 13 tables, 2 algorithms (main paper + supplementary materials)