В исследовании представлен новый фреймворк SurvMOCA-GNN, использующий графовые нейронные сети (GNN) для интеграции разнородных молекулярных и клинических данных при остром миелоидном лейкозе (AML). Методология включает явное внедрение биологических сетевых структур, кросс-омиксных регуляторных связей и специфической для пациента клинической информации на основе данных экспрессии генов и микроРНК из когорты TCGA-LAML. Ключевым результатом стало создание унифицированных представлений пациентов, которые позволили выявить прогностически различные группы и дополнительно стратифицировать пациентов внутри существующих категорий риска Европейской сети лейкозов (ELN) 2022 года. Систематический анализ аблиации доказал, что использование графового моделирования, кросс-омиксного внимания и адаптивной интеграции клинических данных последовательно улучшает качество интеграции и дискриминационную способность выживаемости. По сравнению с существующими подходами, SurvMOCA-GNN генерирует более биологически согласованные представления, что подтверждено оценкой на независимой когорте AML и анализом трансферного обучения. Результаты демонстрируют высокую надежность и переносимость интегрированных представлений на гетерогенные популяции пациентов, что открывает новые возможности для прецизионной медицины. Фреймворк является открытым и доступен для использования научным сообществом, предлагая общий подход к интеграции гетерогенных данных для улучшения стратификации риска не только при AML, но и при других онкологических заболеваниях.