Nature Machine Intelligence · 2026-11-16 · 期刊论文
- 一句话结论:该研究提出可解释图学习框架CGMap,在泛癌多种生物分子网络中分析12,022个基因,报告其持续优于现有方法并优先筛出70个可靠候选基因,其中部分此前未在既有数据库中注释;候选基因与肿瘤相关表型受抑相关,属「提示」性证据。
- 研究设计与做法:设计为计算方法开发加平行功能缺失验证:构建距离分辨通道以在多个拓扑尺度定位分散的致癌信号,并以全局扩散模块量化通路情境下的基因协同;在泛癌多种生物分子网络中评测,另在癌细胞与非恶性细胞系开展功能缺失实验,随访时长材料未报告。
- 主要结果:主要结果为CGMap分析12,022个基因并优先筛出70个候选;功能缺失实验显示细胞增殖、迁移与侵袭减少,上皮—间质转化相关特征向非间质状态偏移;具体效应量、置信区间与p值材料未报告。
- 机制或解释:作者解释:距离分辨通道可避免表征同质化,全局扩散模块产生可追溯的虚拟相互作用,将预测映射为潜在调控假设,从而为模型决策提供内在可解释性;上述机制解释属模型层面推断。
- 局限与边界:局限:验证以细胞系功能缺失实验为主,缺乏患者队列或体内模型数据;跨网络评测的独立性、候选基因的假阳性控制及计算资源条件材料未报告,利益冲突亦未报告。
- 可否落地:落地含义:该框架可缩小癌症基因候选空间,为假设到实验验证提供可解释路径,属「提示」档位;在用于靶点优先级决策前,仍需独立队列与体内验证,不宜据此下临床结论。
🔗 打开原文
本文摘自《每日前沿研究简报 · 2026-11-17》「Nature Machine Intelligence」。本内容仅用于研究信息整理与科普交流,不构成医疗建议。

发表评论 取消回复