团队在乳腺癌MCF7细胞系对CGMega进行了性能测试，预测结果为AUPRC=0.9140，AUROC=0.9630。团队对CGMega与其他方法进行了比较，包括4种通用模型GCN, GAT, MLP, SVM以及3种针对癌基因预测的领域模型如MTGCN、EMOGI和MODIG。结果显示，无论在AUPRC、AUROC，还是准确率Accuracy以及F1分数方面，CGMega的表现均优于其他方法（图3）。此外，准确预测癌基因通常需要大量标注信息，然而这类信息在罕见癌症研究中往往极为稀缺。因此，如何充分利用已知癌基因的相关知识对于罕见病研究至关重要。基于此，团队采用预训练和微调的策略，使CGMega在MCF7细胞系上所学到的知识可以较好地迁移到其他癌种，尤其是在有标签基因的数据少于200个时，预训练策略具有明显优势。
【 在 purplesoul 的大作中提到: 】
: Nat. Commun. | 李昊等开发人工智能计算方法CGMega解析癌症基因模块  
:  
: 近期，针对癌症基因模块识别问题中面临的多模态信息融合、小样本学习、子图搜索等计算挑战，军事医学研究院伯晓晨、陈河兵团队联合上海交通大学杨旸团队提出基于可解释图注意力机制的计算框架CGMega（图2）
: ..................

发自「今日水木 on 23013RK75C」
--
FROM 119.34.160.*