El cáncer gástrico (GC) es una malignidad prevalente, y el descubrimiento de biomarcadores desempeña un papel crucial en el diagnóstico y pronóstico del GC. Sin embargo, las estrategias actuales para identificar biomarcadores de GC a menudo se centran en una sola clase de ácido ribonucleico (ARN), descuidando el potencial de múltiples tipos de ARN para servir colectivamente como biomarcadores con capacidades predictivas mejoradas. Para cerrar esta brecha, nuestro estudio presenta el modelo de red neural de convolución de grafos de relación de biomarcadores de GC (GCBRGCN), que integra la red de ARN endógeno competidor (ceRNA) con información clínica de GC y datos de transcriptómica completa, aprovechando la red neural de convolución de grafos relacionales (RGCN) para predecir biomarcadores de GC. Demuestra un rendimiento excepcional, superando a los algoritmos tradicionales de aprendizaje automático y redes neuronales de grafos con un área bajo la curva (AUC) de 0.8172 en la tarea de predecir biomarcadores de GC. Nuestro estudio identificó tres posibles nuevos biomarcadores de GC no reportados: CCNG1, CYP1B1 y CITED2. Además, FOXC1 y LINC00324 fueron caracterizados como biomarcadores con importancia tanto en el pronóstico como en el diagnóstico. Nuestro trabajo ofrece un marco novedoso para la identificación de biomarcadores de GC, resaltando el papel crítico de la interacción de múltiples tipos de ARN en la investigación oncológica.