PathMoG：面向多组学生存预测的基于通路的模块化图神经网络
机器学习
2026-04-28 v1 人工智能
摘要
从多组学数据进行癌症生存预测仍具有挑战性，因为预后信号是高维的、异构的，并且分布在相互作用的基因和通路中。我们提出了 PathMoG，一个基于通路的模块化图神经网络，用于多组学生存预测。PathMoG 将基因组尺度的输入重新组织为 354 个由 KEGG 信息驱动的通路模块，引入分层组学调制模块以在突变、拷贝数变异、通路和临床背景条件下对基因表达表示进行条件化，并使用双层注意力机制捕捉既内部通路驱动信号又跨通路临床相关性。我们在 10 种 TCGA 癌症类型中评估了 5650 名患者，并观察到相较于代表性生存基线方法，PathMoG 在所有癌症类型上都实现了持续的性能提升。该框架进一步提供了基于基因的、基于通路的和基于患者的可解释性，支持从生物学角度和临床相关角度进行风险分层。
引用
@article{arxiv.2604.24371,
title = {PathMoG: A Pathway-Centric Modular Graph Neural Network for Multi-Omics Survival Prediction},
author = {Di Wang and Chupei Tang and Junxiao Kong and Jixiu Zhai and Moyu Tang and Tianchi Lu},
journal= {arXiv preprint arXiv:2604.24371},
year = {2026}
}
备注
9 pages, 5 figures, 3 tables. Source code available at https://github.com/wangzoyou/pathmog