A Spatiotemporal Graph Neural Network for Early Cancer Detection via Cytokine Signaling Dynamics

Abstract

Title: A Spatiotemporal Graph Neural Network for Early Cancer Detection via Cytokine Signaling Dynamics Author: Robert Goldwein Department: Department of Theoretical Computer Science and Mathematical Logic Supervisor of the master thesis: Mgr. Roman Neruda, CSc., KTIML Abstract: Early cancer often goes unnoticed by conventional imaging or molecular assays until later stages, limiting treatment options and efficacy. However, mounting evidence suggests that subtle, time-dependent shifts in circulating cytokine profiles precede detectable malignancy. Cytokines- small proteins mediating intercellular communication-form complex signaling networks whose dynamics may harbor predictive signatures of tumorigenesis. This thesis introduces a Spatiotemporal Graph Neural Network (STGNN) framework to model and forecast these cytokine trajectories, enabling extremely early cancer detection. Leveraging publicly available time-course data (e.g., CytoSig) and a novel hybrid architecture-combining graph convolutions with temporal recurrence and a biologically informed edge-decay term-it predicts both future cytokine states and an early-warning risk score for an imminent "cancer-like" signaling switch. Applied to colorectal cancer datasets, our framework not only forecasts cytokine dynamics with greater accuracy but also...

Název práce: Časoprostorová neuronová síť pro včasnou detekci rakoviny prostřednictvím dynamiky cytokinové signalizace Autor: Robert Goldwein Katedra: Katedra teoretické informatiky a matematické logiky Vedoucí diplomové práce: Mgr. Roman Neruda, CSc., KTIML Abstrakt: Ve svém počátku často zůstává rakovina bez povšimnutí konvenčními zobrazovacími metodami nebo molekulárními testy až do pozdějších stádií, což limituje možnosti léčby, i její účinnost. Nové důkazy však naznačují, že jemné, na čase závislé posuny v profilech cirkulujících cytokinů předcházejí detekovatelné malignitě. Cytokiny - malé proteiny zprostředkovávající mezibuněčnou komunikaci - tvoří komplexní signální sítě, jejichž dynamika může obsahovat prediktivní znaky tumorigeneze. Tato práce představuje framework STGNN (Spatiotemporal Graph Neural Network) pro modelování a předpověď těchto trajektorií cytokinů, což umožňuje extrémně časnou detekci rakoviny. Využitím veřejně dostupných dat časového průběhu (např. CytoSig) a nové hybridní architektury - kombinující konvoluce grafů s časovou rekurencí a "biologically informed edge-decay term" - předpovídá jak budoucí stavy cytokinů, tak skóre rizika včasného varování pro hrozící "rakovinný" signál. Aplikovaný na datové soubory kolorektálního karcinomu, náš model nejen předpovídá dynamiku cytokinů s...