PathMoG: 다중 오믹스 데이터를 활용한 생존 예측을 위한 경로 중심 모듈형 그래프 신경망

PathMoG: A Pathway-Centric Modular Graph Neural Network for Multi-Omics Survival Prediction

다중 오믹스 데이터로부터의 암 생존 예측은 진단 정보가 고차원적이고 이질적이며, 상호 작용하는 유전자 및 경로에 분산되어 있기 때문에 여전히 어려운 과제입니다. 본 연구에서는 다중 오믹스 데이터를 활용한 생존 예측을 위한 경로 중심 모듈형 그래프 신경망인 PathMoG를 제안합니다. PathMoG는 유전체 규모의 입력을 354개의 KEGG 정보를 기반으로 하는 경로 모듈로 재구성하고, 유전자 발현 표현을 돌연변이, 복제수 변동, 경로 및 임상적 맥락에 맞게 조정하는 계층적 오믹스 조절 모듈을 도입하며, 경로 내의 주요 신호와 경로 간의 임상적 관련성을 모두 파악하기 위해 이중 수준의 어텐션 메커니즘을 사용합니다. PathMoG는 10개의 TCGA 암 유형에 걸쳐 5,650명의 환자를 대상으로 평가되었으며, 대표적인 생존 예측 기준 모델보다 일관된 성능 향상을 보였습니다. 또한, 본 프레임워크는 유전자 수준, 경로 수준 및 환자 수준에서의 해석 가능성을 제공하여 생물학적으로 타당하고 임상적으로 의미 있는 위험도 분류를 지원합니다.

Cancer survival prediction from multi-omics data remains challenging because prognostic signals are high-dimensional, heterogeneous, and distributed across interacting genes and pathways. We propose PathMoG, a pathway-centric modular graph neural network for multi-omics survival prediction. PathMoG reorganizes genome-scale inputs into 354 KEGG-informed pathway modules, introduces a Hierarchical Omics Modulation module to condition gene-expression representations on mutation, copy number variation, pathway, and clinical context, and uses dual-level attention to capture both intra-pathway driver signals and inter-pathway clinical relevance. We evaluated PathMoG on 5,650 patients across 10 TCGA cancer types and observed consistent improvements over representative survival baselines. The framework further provides gene-level, pathway-level, and patient-level interpretability, supporting biologically grounded and clinically relevant risk stratification.