癌症基因预测模型

可解释跨网络

一个基于transformer的可解释图表示学习模型，整合多组学与网络拓扑，在泛癌和癌种特异场景中均实现最优的癌症基因预测，并发现多个新候选基因。

Su, Xiaorui · 胡鹏伟 · Li, Dongxu · Zhao, Bowei · Niu, Zhaomeng · Herget, Thomas · Yu, Philip S. · 胡伦

Nature Biomedical Engineering 2025

参数信息

癌症基因候选数

57

未标记基因总数

4729

技术优势

可解释性强

模型能够解析多组学特征和高阶结构特征在预测中的相对重要性，帮助研究者理解基因相关的调控机制。

跨网络泛化

在miRNA-蛋白、转录因子-蛋白和转录因子-miRNA等多种网络以及泛癌和癌种特异场景中均表现出色，无需为每种网络重新训练。

发现新候选基因

在未标记基因中识别出57个癌症基因候选，其中3个未被其他模型预测到，为实验验证提供新靶点。

应用场景

• 癌症基因发现：大规模预测候选癌症基因，加速新靶点发现。
• 生物网络分析：整合多种网络拓扑，解析基因调控机制。
• 图表示学习：提供可解释的节点表征，用于下游预测任务。
• 可解释人工智能：揭示哪些特征驱动预测，增强模型可信度。