La estimación del pronóstico de pacientes con glioma de bajo grado (LGG) utilizando modelos de aprendizaje profundo con datos de expresión génica ha sido ampliamente estudiada en los últimos años. Sin embargo, los modelos de aprendizaje profundo utilizados en estos estudios no emplean las técnicas más recientes de aprendizaje profundo, como el aprendizaje residual y el aprendizaje en conjunto. Para abordar esta limitación, en este estudio se propone un modelo de aprendizaje profundo utilizando esquemas multi-ómicos y multimodales, denominado Red de Estimación de Pronóstico Múltiple (Multi-PEN). Al utilizar Multi-PEN, se emplean capas de atención génica para cada tipo de dato, incluyendo mRNA y miRNA, lo que nos permite identificar genes pronósticos. Además, se utilizan desarrollos recientes en aprendizaje profundo, como el aprendizaje residual y la normalización de capas. Como resultado, Multi-PEN demuestra un rendimiento competitivo en comparación con modelos convencionales para la estimación del pronóstico. Además, se identificaron los mRNA y miRNA pronósticos más significativos utilizando las capas de atención en Multi-PEN. Por ejemplo, se identificó MYBL1 como el mRNA pronóstico más significativo. Tal resultado concuerda con los hallazgos en estudios existentes que han demostrado que MYBL1 regula la supervivencia, proliferación y diferenciación celular. Además, se identificó hsa-mir-421 como el miRNA pronóstico más significativo, y se ha informado ampliamente que hsa-mir-421 está altamente asociado con varios cánceres. Estos resultados indican que las estimaciones de Multi-PEN son válidas y confiables y muestran la capacidad de Multi-PEN para presentar hipótesis sobre mRNAs y miRNAs pronósticos.