基于元学习-人工智能模型的泛癌相关靶点系统性检测新方法

本文开发了一种新型人工智能计算框架FSGCNM（Few shot-Graph Convolutional Neural Network Model），整合图神经网络（GNN）、元学习（meta learning）和创新算法，首次实现泛癌相关靶点（PPOG）的系统性筛查。该模型通过少量样本（2-shot/10-query）即可完成多癌种分类，鉴定出84个PPOG，为广谱抗癌药物开发和免疫治疗靶点发现提供新范式。

Highlight

本研究开发的人工智能方法在工程应用层面实现了泛癌基因检测，在算法层面贡献了原创模型FSGCNM。

The predictive performance of FSGCNM for cancer classification

经过初步数据筛选，本研究共纳入13,637个基因和2,606个样本构建模型（详见补充文件1-14）。在多组学数据分析中：肾上腺皮质癌（ACC）涉及1,908个基因和80个样本；膀胱癌（BLCA）1,628基因/400样本；食管癌（ESCA）2,295基因/192样本；肾嫌色细胞癌（KICH）2,112基因/66样本；肝细胞癌（LIHC）1,420基因/428样本。

Providing a new method for cancer classifications' predictions with a few samples

上述FSGCNM模型预测性能分析显示，采用2-shot（2样本支持集）和10-query（10样本查询集）参数即可获得优异表现。这意味着仅需12个样本就能精准分类多癌种，这归功于元学习技术对癌症特征的原型向量提取能力。

Conclusion

癌症是危害人类健康的重要疾病。通过融合图卷积神经网络、元学习和新算法，本研究系统性鉴定出84个PPOG，其差异表达分析和ROC曲线验证了模型的可靠性，为广谱抗癌药物开发提供了新靶点库。