将机器学习方法应用于分析基因表达模式的变化，最近在癌症研究中成为一种强大的手段，增强了我们对癌症发生和发展背后的分子机制的理解。许多研究已经表明，将基因表达数据与其他类型的组学数据结合可以改善癌症分类的结果。尽管取得了这些进展，但有效地整合高维多组学数据并捕捉不同生物学层次之间的复杂关系仍然具有挑战性。本文介绍了一种新的基于图的深度学习框架——LASSO-MOGAT（LASSO-多组学门控注意力），该框架整合了信使RNA、微小RNA和DNA甲基化数据来分类31种癌症类型。通过使用LIMMA进行差异表达分析以及LASSO回归进行特征选择，并利用图注意力网络（GATs）纳入蛋白质-蛋白质相互作用（PPI）网络，LASSO-MOGAT能够有效捕捉多组学数据中的复杂关系。五折交叉验证的实验验证展示了该方法的精确性、可靠性和提供全面洞察癌症分子机制的能力。基于蛋白质-蛋白质相互作用计算图中边的注意力系数的所提出的图注意力架构，对于识别多组学数据在癌症分类中的协同效应证明是有益的。