Neues GNN-Modell GLaDiGAtor verbessert Vorhersage von Krankheits‑Gen‑Assoziationen

Die Zuordnung von Genen zu Krankheiten ist ein entscheidender Schritt, um Krankheitsmechanismen zu verstehen und neue Diagnose- sowie Therapieansätze zu entwickeln. Traditionelle Methoden, die auf manueller Kuratierung und Literaturrecherche beruhen, sind jedoch sehr arbeitsintensiv und nicht skalierbar. Deshalb setzen immer mehr Forscher auf maschinelles Lernen, insbesondere auf Graph Neural Networks (GNNs), um komplexe biologische Beziehungen zu modellieren.

GLaDiGAtor (Graph Learning-bAsed DIsease-Gene AssociaTiOn pRediction) ist ein neu entwickeltes GNN-Framework, das eine Encoder‑Decoder-Architektur nutzt, um Krankheits‑Gen‑Assoziationen vorherzusagen. Das Modell baut einen heterogenen biologischen Graphen auf, der Gen‑Gen-, Krankheits‑Krankheits- und Gen‑Krankheits-Interaktionen aus kuratierten Datenbanken integriert. Jeder Knoten wird zusätzlich mit kontextuellen Merkmalen angereichert, die aus etablierten Sprachmodellen gewonnen werden: ProtT5 für Proteinsequenzen und BioBERT für Krankheitsbeschreibungen.

In umfangreichen Evaluierungen hat GLaDiGAtor die Vorhersagegenauigkeit und Generalisierungsfähigkeit deutlich verbessert und 14 bestehende Methoden übertroffen. Literaturgestützte Fallstudien bestätigen die biologische Relevanz der hochbewerteten, neuartigen Vorhersagen und zeigen, dass das Modell potenzielle Krankheitsgene zuverlässig identifizieren kann.

Die Ergebnisse unterstreichen die Leistungsfähigkeit von Graph Convolutional Networks in der biomedizinischen Informatik und eröffnen neue Möglichkeiten für die Wirkstoffentwicklung, indem sie bislang unbekannte Gen‑Krankheits-Beziehungen aufdecken. Der Quellcode sowie die verarbeiteten Datensätze sind frei verfügbar unter https://github.com/HUBioDataLab/GLaDiGAtor.