基于ceRNA和拷贝数变异分析用于胶质母细胞瘤生物标志物发现的关系图卷积网络

胶质母细胞瘤（GBM）是一种高度侵袭性的脑肿瘤，其5年生存率极低，仅为6.9%，这在很大程度上归因于缺乏可靠的生物标志物。尽管竞争性内源RNA（ceRNA）和拷贝数变异（CNV）分析在生物标志物识别方面具有独特潜力，但现有方法忽视了对多种调控机制进行整合以检测生物标志物。为解决这一局限性，我们通过一种新颖的后期融合集成架构，将关系图卷积网络（RGCN）应用于ceRNA和CNV知识图谱。所提出的架构优于基线模型，并鉴定出五种新的生物标志物，包括hsa-miR-196a和hsa-miR-224。Kaplan-Meier生存分析和Cox回归表明，所鉴定的基因具有显著的预后和诊断能力。Kaplan-Meier曲线的早期分层表明，这些基因在患者生存预测方面具有潜在价值。结果表明，后期融合RGCN集成模型能够有效捕捉复杂的基因相互作用，克服现有模型的局限性，并为生物标志物发现提供了一个框架。这些新的生物标志物可作为未来GBM治疗开发的潜在靶点，以及无创诊断检测的候选指标。

胶质母细胞瘤（glioblastoma, GBM）是一种高度侵袭性的脑肿瘤，其5年生存率极低，仅为6.9%，这在很大程度上归因于缺乏可靠的生物标志物。尽管竞争性内源RNA（competing endogenous RNA, ceRNA）和拷贝数变异（copy number variation, CNV）分析在生物标志物识别方面具有独特潜力，但现有方法忽视了整合多种调控机制以进行生物标志物检测。为解决这一局限性，我们通过一种新颖的后期融合集成架构，将关系图卷积网络（relational graph convolutional networks, RGCNs）应用于ceRNA和CNV知识图谱。所提出的架构优于基线模型，并鉴定出5个新的生物标志物，包括hsa-miR-196a和hsa-miR-224。Kaplan-Meier生存分析和Cox回归表明，所识别的基因具有显著的预后和诊断价值。Kaplan-Meier曲线的早期分层表明，这些基因在患者生存预测方面具有潜在价值。研究结果表明，后期融合RGCN集成模型能够有效捕捉复杂的基因相互作用，克服现有模型的局限性，并为生物标志物发现提供了一个框架。这些新型生物标志物可作为未来GBM治疗开发的潜在靶点，以及无创诊断检测的候选标志物。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.16.744525v1?rss=1

🏷️ 胶质母细胞瘤 生物标志物 ceRNA 拷贝数变异 关系图卷积网络 生存分析