La selección de biomarcadores apropiados en la práctica clínica ayuda en la detección temprana, tratamiento y prevención de enfermedades, al mismo tiempo que asiste en el desarrollo de terapias dirigidas. Recientemente, los datos multi-ómicos generados a partir de plataformas tecnológicas avanzadas se han vuelto disponibles para estudios de enfermedades. Por lo tanto, la integración de estos datos con datos clínicos asociados proporciona una oportunidad única para obtener una comprensión más profunda de la enfermedad. Sin embargo, la integración efectiva de datos multi-ómicos a gran escala sigue siendo un gran desafío. Para abordar esto, proponemos un nuevo modelo de aprendizaje profundo: la red de descubrimiento de biomarcadores de atención gráfica multi-ómica (MOGAD). MOGAD tiene como objetivo clasificar enfermedades y descubrir biomarcadores de manera eficiente integrando varios datos ómicos como la metilación del ADN, la expresión génica y la expresión de miARN. El modelo consta de tres módulos principales: la red GAT de múltiples cabezales (MGAT), la fusión de atención de múltiples gráficos (MGAF) y la fusión de atención (AF), que trabajan juntos para modelar dinámicamente las complejas relaciones entre diferentes capas ómicas. Incorporamos datos clínicos (por ejemplo, el genotipo APOE) que permiten una investigación sistemática de la influencia de factores no ómicos en la clasificación de enfermedades. Los resultados experimentales demuestran que MOGAD logra un rendimiento superior en comparación con los métodos existentes de integración de datos de una sola ómica y multi-ómica en tareas de clasificación para la enfermedad de Alzheimer (EA). En el experimento comparativo en el conjunto de datos ROSMAP, nuestro modelo logró la mayor ACC (0.773), puntuación F1 (0.787) y MCC (0.551). Los biomarcadores identificados por MOGAD muestran fuertes asociaciones con la patogénesis subyacente de la EA. También aplicamos un conjunto de datos Hi-C para validar la racionalidad biológica de los biomarcadores identificados. Además, la incorporación de datos clínicos mejora la robustez del modelo y descubre interacciones sinérgicas entre características ómicas y no ómicas. Así, nuestro modelo de aprendizaje profundo es capaz de integrar con éxito datos multi-ómicos para clasificar enfermedades de manera eficiente y descubrir nuevos biomarcadores.