DMAGT: KI-Modell entdeckt neue miRNA-Drug‑Assoziationen mit Graph‑Transformern

Die neueste Veröffentlichung auf arXiv präsentiert DMAGT, ein innovatives Machine‑Learning‑Modell, das die Suche nach Verbindungen zwischen Medikamenten und microRNA (miRNA) revolutioniert. Durch die Kombination von SMILES‑Darstellungen chemischer Strukturen und RNA‑Sequenzdaten in einem Graph‑Transformer‑Netzwerk kann DMAGT potenzielle miRNA‑Drug‑Assoziationen mit bislang unerreichtem Genauigkeitsgrad vorhersagen.

Das System wandelt jede Medikament‑miRNA‑Interaktion in einen Graphen um, wobei die molekularen Eigenschaften des Wirkstoffs und die Basenstruktur der miRNA mithilfe von Word2Vec‑Embeddings repräsentiert werden. Anschließend lernt ein mehrschichtiges Graph‑Transformer‑Modell die Beziehungen zwischen den Knoten, um präzise Vorhersagen zu treffen.

In umfangreichen Tests auf den Datensätzen ncDR, RNAInter und SM2miR erreichte DMAGT einen durchschnittlichen AUC‑Wert von 95,24 ± 0,05 %. Damit übertrifft es bestehende Ansätze deutlich und demonstriert eine hohe Stabilität und Zuverlässigkeit bei der Identifikation von miRNA‑Drug‑Assoziationen.

Zur Validierung der praktischen Anwendbarkeit wurden die Medikamente 5‑Fluorouracil und Oxaliplatin ausgewählt. Von den 20 höchstwahrscheinlichen Assoziationen, die das Modell vorschlug, konnten 14 erfolgreich experimentell bestätigt werden – ein Beleg für die Aussagekraft von DMAGT in realen Forschungsbedingungen.

Diese Ergebnisse legen nahe, dass DMAGT einen bedeutenden Fortschritt für die miRNA‑basierte Arzneimittelentwicklung darstellt und Forschern einen schnellen, kosteneffizienten Weg bietet, neue therapeutische Zielmoleküle zu entdecken.