标签
DoGMA 是一种中心法则引导的泛癌多组学分析基础模型，采用 Transformer-MoE 架构，通过定向注意力对齐 DNA-RNA-蛋白质信息流，并利用掩码层次组学重构进行预训练。它在癌症表征学习、生存预测和转移预测任务中均表现出强劲性能。
本文使用来自 TCGA-BRCA 的多组学数据，系统地基准测试了用于 ER 状态预测的经典机器学习模型（Random Forest、XGBoost 等），发现 RNA 表达提供了最强的预测信号，并且在整合的多组学设置中，Random Forest 达到了 90.3% 的平衡准确率。
MIT发布了FINGERS-7B，这是一个拥有70亿参数的多组学基础模型，基于3万人的数据进行训练，旨在提前数年预测阿尔茨海默病的风险。该模型可通过AD Workbench访问，并附有发布在OpenReview上的研究论文。