SynLeaF：面向全癌种和单癌种情境的合成致盲预测双阶段多模态融合框架
基因组学
2026-03-25 v1 人工智能
机器学习
摘要
准确预测合成致盲（SL）对于指导癌症药物和疗法的开发至为重要。SL预测面临着显著的挑战，即有效融合来自异构多源数据的难题。现有多模态方法常因异构模态的收敛速度差异而出现“模态懒惰”，致使难以挖掘互补信息。这也是大多数现有SL预测模型无法在全癌种和单癌种SL配对预测中取得好性能的原因之一。本研究提出SynLeaF，一个用于全癌种和单癌种情境下的SL预测双阶段多模态融合框架。该框架采用基于变分自编码器的交叉编码器，运用专家乘积机制融合四种组学数据类型（基因表达、突变、甲基化和拷贝数变异），同时利用关系图卷积网络从生物医学知识图中捕获结构化的基因表示。为缓解模态懒惰，SynLeaF引入双阶段训练机制，采用特征级别知识蒸馏结合自适应单模态教师和集成策略。在针对八种特定癌症类型和全癌种数据集的大量实验中，SynLeaF在17个实验情境中实现了优异的性能。消融研究和梯度分析进一步验证了所提融合和蒸馏机制对模型鲁棒性和泛化能力的关键贡献。为便于社区使用，本研究提供了网页服务器，地址为https://synleaf.bioinformatics-lilab.cn。
引用
@article{arxiv.2603.22369,
title = {SynLeaF: A Dual-Stage Multimodal Fusion Framework for Synthetic Lethality Prediction Across Pan- and Single-Cancer Contexts},
author = {Zheming Xing and Siyuan Zhou and Ruinan Wang and Rui Han and Shiming Zhang and Shiqu Chen and Yurui Huang and Jiahao Ma and Yifan Chen and Xuan Wang and Yadong Wang and Junyi Li},
journal= {arXiv preprint arXiv:2603.22369},
year = {2026}
}
备注
29 pages, 5 figures, 3 tables