Rep3Net: Multimodale KI für präzise Vorhersage molekularer Bioaktivität

In der frühen Phase der Wirkstoffentwicklung spielt die Vorhersage der Bioaktivität von Molekülen gegen Zielproteine eine entscheidende Rolle. Traditionelle QSAR‑Modelle, die ausschließlich auf molekularen Deskriptoren basieren, stoßen häufig an ihre Grenzen, weil sie strukturelle und kontextuelle Informationen, die in jedem Molekül eingebettet sind, nicht vollständig erfassen können.

Um dieses Problem zu lösen, präsentiert die neue Studie Rep3Net – eine einheitliche Deep‑Learning‑Architektur, die nicht nur Deskriptoren nutzt, sondern zusätzlich räumliche und relationale Daten durch graphbasierte Darstellungen von Verbindungen sowie kontextuelle Informationen aus ChemBERTa‑Embeddings der SMILES‑Strings integriert. Durch die Kombination dieser multimodalen Features liefert Rep3Net zuverlässige Bioaktivitätsvorhersagen.

Die Leistungsfähigkeit des Modells wurde am Poly [ADP‑ribose] Polymerase 1 (PARP‑1) Datensatz getestet, einem wichtigen Ziel bei der Behandlung von Krebsarten, die auf PARP‑1 für ihr Überleben angewiesen sind. Im Vergleich zu herkömmlichen Modellen wie GCN, GAT und XGBoost erzielte Rep3Net die höchste Vorhersagegenauigkeit. Diese Ergebnisse zeigen, dass Rep3Net ein skalierbares und leistungsstarkes Werkzeug für die computergestützte Screening‑Phase in der Wirkstoffforschung darstellt.