В статье представлен новый вычислительный фреймворк HR-FRGS (Hypergraph Regularised Fuzzy Rough Gene Selection), предназначенный для обнаружения биомаркеров из высокоразмерных данных РНК-секвенирования (NGS). Авторы решают проблему ложноположительных взаимодействий и шума, характерных для традиционных методов, таких как анализ дифференциальной экспрессии и анализ взвешенных ко-экспрессионных сетей (WGCNA). Методология включает интеграцию кластеризации белков, энтропийной фильтрации и отсеченных взаимодействий PPI для формирования двухслойного гиперграфа. Для оценки важности генов применяется комбинированный подход, сочетающий алгоритм Random Walk with Restart и центральность гиперграфового посредничества (Hypergraph Betweenness Centrality). Ключевой особенностью является использование автономных нечетких грубых множеств для отбора генов, что устраняет зависимость от произвольных пороговых значений. Исследование было применено к четырем когортам рака из базы TCGA: аденокарцинома легкого, рак головы и шеи, почечно-клеточный рак и рак толстой кишки. Алгоритм позволил сократить более 60 000 транскриптов до компактных панелей биомаркеров. Валидация с помощью классических алгоритмов машинного обучения показала, что предложенные панели превосходят или сопоставимы с полной транскриптомой по качеству классификации (AUC > 0.99, MCC > 0.94) и демонстрируют хорошую обобщающую способность (MCC ≥ 0.893). Функциональный анализ обогащения подтвердил биологическую релевантность выявленных генов, отразив как общие для рака механизмы, так и специфичные для конкретных когорт онкогенные пути.