RGE-GCN: Graph Convolutional Networks für frühzeitige Krebsdiagnose mit RNA‑seq

Die frühzeitige Erkennung von Krebs ist entscheidend für die Verbesserung der Überlebensraten, doch die Auswahl zuverlässiger Biomarker aus hochdimensionalen RNA‑seq‑Daten bleibt eine große Herausforderung. Traditionelle statistische Verfahren greifen oft an der Oberfläche an und erfassen die komplexen Wechselwirkungen zwischen Genen nicht vollständig.

Mit dem neuen Ansatz RGE‑GCN (Recursive Gene Elimination with Graph Convolutional Networks) wird diese Lücke geschlossen. Der Workflow baut zunächst ein Genexpressionsgraphen auf, wendet ein Graph Convolutional Network (GCN) an, um Krebs- und Normalproben zu klassifizieren, und nutzt Integrated Gradients, um die wichtigsten Gene hervorzuheben. Durch wiederholtes Entfernen weniger relevanter Gene konvergiert das Modell zu einer kompakten, interpretierbaren Biomarker‑Menge, die gleichzeitig sehr präzise ist.

In umfangreichen Tests – sowohl auf synthetischen Daten als auch auf realen RNA‑seq‑Kohorten von Lungen-, Nieren- und Gebärmutterhalskrebs – übertraf RGE‑GCN herkömmliche Tools wie DESeq2, edgeR und limma‑voom in Bezug auf Genauigkeit und F1‑Score. Die identifizierten Gene korrespondieren zudem mit etablierten Krebswegen wie PI3K‑AKT, MAPK, SUMOylation und Immunregulation.

Diese Ergebnisse deuten darauf hin, dass RGE‑GCN ein vielversprechender, generalisierbarer Ansatz für die frühzeitige Krebsdiagnose und Biomarker‑Entdeckung aus RNA‑seq‑Daten ist. Weitere Details und eine Live‑Demo finden Sie unter https://rce-gcn.streamlit.app/.