DOI: https://doi.org/10.1371/journal.pcbi.1013968
PMID: https://pubmed.ncbi.nlm.nih.gov/41666238
تاريخ النشر: 2026-02-10
المؤلف: NAN SHENG وآخرون
الموضوع الرئيسي: طرق اكتشاف الأدوية الحاسوبية
نظرة عامة
تلعب الميكرو RNA (miRNAs) دورًا حاسمًا في تعديل مقاومة الأدوية وحساسيتها في خلايا السرطان، حيث تعمل إما كمثبطات للأورام أو كأورام خبيثة. غالبًا ما تكون الطرق التجريبية التقليدية لتحديد استجابات الأدوية التي تتوسطها الميكرو RNA كثيفة الموارد، مما يدفع لاستكشاف الأساليب الحسابية. تقدم هذه الدراسة PLMF-MDA، وهو نموذج لغة مدرب مسبقًا (PLM) يعتمد على نموذج دمج عبر الأنماط يتنبأ بمقاومة الأدوية (MDR) وارتباطات الحساسية (MDS) من خلال دمج تمثيلات متعددة الأنماط من الميكرو RNA والأدوية، معززة من خلال وحدة دمج انتباه عبر الأنماط.
لتحقيق فعالية PLMF-MDA، قام المؤلفون بإنشاء مجموعتين مرجعيتين وأجروا تجارب واسعة. تشير النتائج إلى أن PLMF-MDA يتفوق بشكل كبير على الطرق الحالية في دقة التنبؤ. بالإضافة إلى ذلك، تسلط دراسات الحالة التي تتضمن الأدوية المضادة للسرطان دوستكسل وجيفيتينيب الضوء على قدرة النموذج على كشف رؤى جديدة حول تفاعلات الميكرو RNA والأدوية، مما يبرز إمكانيته في استراتيجيات علاج السرطان.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الدور الحاسم للسرطان كسبب رئيسي ثانٍ للوفاة على مستوى العالم، حيث تعتبر العلاج الكيميائي هو العلاج القياسي عبر جميع المراحل. ومع ذلك، فإن ظهور مقاومة الأدوية يطرح تحديات كبيرة، مما يؤدي إلى فشل العلاج وزيادة الوفيات. وقد حددت الدراسات الحديثة الميكرو RNA (miRNAs) كلاعبين رئيسيين في التوسط لمقاومة الأدوية من خلال استهداف الجينات المعنية في استجابة الأدوية، وتكاثر الخلايا، والاستماتة. على سبيل المثال، تم الإشارة إلى miR-301b-3p وmiR-590-5p في تعزيز المقاومة للسيكلوفسفاميد في سرطانات المعدة والمبيض، على التوالي، بينما أظهرت ميكرو RNA أخرى مثل miR-375 وmiR-204b أنها تعزز حساسية الأدوية.
لمعالجة قيود الطرق التقليدية في المختبر لاستكشاف تفاعلات الميكرو RNA والأدوية، تناقش الورقة تطوير مجموعة متنوعة من الأساليب الحسابية، وخاصة الطرق المعتمدة على الرسوم البيانية، لتوقع ارتباطات مقاومة الأدوية وحساسيتها. على الرغم من تقدمها، تواجه هذه الطرق غالبًا تحديات مثل ندرة البيانات ومشكلات التعميم. يقترح المؤلفون إطار عمل جديد للتعلم العميق، PLMF-MDA، الذي يستخدم نماذج لغة مدربة مسبقًا (PLMs) لاستخراج تمثيلات شاملة للميكرو RNA والأدوية. يدمج هذا الإطار الشبكات العصبية التلافيفية متعددة المقاييس (CNNs) والشبكات العصبية التلافيفية الرسومية (GCNs) لتعزيز أداء التنبؤ من خلال آلية انتباه عبر الأنماط. تدعي الدراسة أن PLMF-MDA يتفوق على الطرق الحالية في توقع مقاومة الأدوية وحساسيتها التي تتوسطها الميكرو RNA، كما يتضح من التجارب الواسعة على مجموعات البيانات المرجعية.
طرق
في هذا القسم، يصف المؤلفون تنفيذ إطار عمل PLMF-MDA المقترح باستخدام بايثون ومكتبة التعلم العميق PyTorch. تم تدريب النموذج باستخدام مُحسِّن آدم، مع استخدام معدل تعلم وتراجع وزن قدره $5 \times 10^{-4}$. تشمل المكتبات الرئيسية المستخدمة PyTorch v2.1.2، PyTorch-Geometric v2.4.0، RDKit v2023.9.6، وNumPy v1.24.4، حيث تم إجراء جميع التجارب على وحدة معالجة الرسوميات RTX 4070 لتحسين كفاءة التدريب والاستدلال. تم تعيين أبعاد التمثيل النهائي لكل من الميكرو RNA والدواء إلى 128، واستخدمت استخراج ميزات التسلسل نوى تلافيفية بأحجام 2 و3 و4، بينما تم اشتقاق ميزات الرسم البياني الجزيئي من شبكة تلافيفية رسومية ثلاثية الطبقات (GCN).
للتقييم، تركز الدراسة على مقياسين رئيسيين: المساحة تحت منحنى التشغيل الاستقبالي (AUC) والمساحة تحت منحنى الدقة والاسترجاع (AUPR). هذه المقاييس حاسمة لتقييم أداء مهام التصنيف الثنائي، خاصة في سياق توقع تفاعلات الجزيئات الحيوية. يقيس AUC قدرة النموذج على التمييز بين الفئات، بينما يوفر AUPR رؤى قيمة حول أداء النموذج على مجموعات البيانات غير المتوازنة. تفاصيل التنفيذ الإضافية متاحة عبر الرابط المقدم على GitHub.
نتائج
يقدم قسم “النتائج” النتائج من التجارب التي أجريت، موضحًا النتائج وآثارها. كانت التجارب تهدف إلى اختبار الفرضيات المقترحة، باستخدام منهجيات متنوعة لضمان القوة والموثوقية. تشير النتائج الرئيسية إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث أكدت التحليلات الإحصائية صحة النتائج.
تكشف البيانات أن الظروف التجريبية أدت إلى آثار ملحوظة، تم قياسها باستخدام مقاييس مناسبة. على سبيل المثال، أظهرت النتائج أن التدخل كان له تأثير قابل للقياس، كما يتضح من التغيرات في المتغيرات التابعة. تسهم هذه النتائج في المعرفة الحالية وتقترح طرقًا محتملة لمزيد من البحث، خاصة في استكشاف الآليات الأساسية التي تحرك الآثار الملاحظة.
مناقشة
في هذا القسم، يناقش المؤلفون تطوير والتحقق من صحتين لمجموعتين مرجعيتين، MDRdataset وMDSdataset، اللتين تم إنشاؤهما لمعالجة ندرة بيانات مقاومة وحساسية الميكرو RNA. تم اشتقاق هذه المجموعات من قاعدة بيانات ncRNADrug وتضم 5411 ارتباطًا للمقاومة تشمل 1317 ميكرو RNA و105 أدوية، بالإضافة إلى 5054 ارتباطًا للحساسية تشمل 1252 ميكرو RNA و140 دواء. يبرز المؤلفون أهمية الميكرو RNA في مقاومة الأدوية وحساسيتها، مشيرين إلى أنه تم تحديد 949 ميكرو RNA كمرتبطة محتملة بكلا نوعي تفاعلات الأدوية. تم تنسيق المجموعات بعناية، مستبعدة الميكرو RNA القديمة والأدوية غير الجزيئية الصغيرة، وقدمت التحليلات الإحصائية رؤى حول خصائص تسلسلات الميكرو RNA وتمثيلات الأدوية.
يقدم المؤلفون PLMF-MDA، وهو إطار عمل جديد مصمم لتوقع ارتباطات الميكرو RNA والأدوية من خلال الاستفادة من نماذج اللغة المدربة مسبقًا (PLMs) ومُستخلصات التمثيل الداخلية. يستخدم الإطار آلية انتباه عبر الأنماط لدمج تمثيلات متعددة المنظورات من كل من تسلسلات الميكرو RNA وهياكل الأدوية الجزيئية، مما يعزز دقة التنبؤ. تم تقييم أداء PLMF-MDA بدقة مقابل عدة طرق أساسية باستخدام التحقق المتقاطع 5 مرات، مما يظهر نتائج متفوقة من حيث مقاييس AUC وAUPR لكل من مهام MDR وMDS. تؤكد النتائج فعالية دمج التمثيلات المستمدة من PLM مع الميزات الداخلية من الشبكات العصبية التلافيفية متعددة المقاييس (CNNs) والشبكات العصبية التلافيفية الرسومية (GCNs)، مما يحسن من قوة النموذج وقابليته للتعميم في توقع ارتباطات مقاومة الأدوية وحساسيتها.
DOI: https://doi.org/10.1371/journal.pcbi.1013968
PMID: https://pubmed.ncbi.nlm.nih.gov/41666238
Publication Date: 2026-02-10
Author(s): NAN SHENG et al.
Primary Topic: Computational Drug Discovery Methods
Overview
MicroRNAs (miRNAs) play a crucial role in modulating drug resistance and sensitivity in cancer cells, acting either as tumor suppressors or oncogenes. Traditional experimental methods for identifying miRNA-mediated drug responses are often resource-intensive, prompting the exploration of computational approaches. This study presents PLMF-MDA, a pre-trained language model (PLM)-based cross-modal fusion model that predicts miRNA-drug resistance (MDR) and sensitivity (MDS) associations by integrating multimodal embeddings from miRNAs and drugs, enhanced through a cross-modal attention fusion module.
To validate the effectiveness of PLMF-MDA, the authors constructed two benchmark datasets and conducted extensive experiments. The results indicate that PLMF-MDA significantly outperforms existing methods in prediction accuracy. Additionally, case studies involving the anticancer drugs docetaxel and gefitinib highlight the model’s capability to uncover novel insights into miRNA-drug interactions, underscoring its potential utility in cancer treatment strategies.
Introduction
The introduction of the research paper highlights the critical role of cancer as the second leading cause of death worldwide, with chemotherapy being the standard treatment across all stages. However, the emergence of drug resistance poses significant challenges, leading to treatment failures and increased mortality. Recent studies have identified microRNAs (miRNAs) as key players in mediating drug resistance by targeting genes involved in drug response, cell proliferation, and apoptosis. For instance, miR-301b-3p and miR-590-5p have been implicated in promoting resistance to cisplatin in gastric and ovarian cancers, respectively, while other miRNAs like miR-375 and miR-204b have been shown to enhance drug sensitivity.
To address the limitations of traditional laboratory methods in exploring miRNA-drug interactions, the paper discusses the development of various computational approaches, particularly graph-based methods, for predicting drug resistance and sensitivity associations. Despite their advancements, these methods often face challenges such as data sparsity and generalization issues. The authors propose a novel deep learning framework, PLMF-MDA, which utilizes pre-trained language models (PLMs) to extract comprehensive embeddings for miRNAs and drugs. This framework integrates multi-scale convolutional neural networks (CNNs) and graph convolutional networks (GCNs) to enhance prediction performance through a cross-modal attention mechanism. The study claims that PLMF-MDA outperforms existing methods in predicting miRNA-mediated drug resistance and sensitivity, as demonstrated by extensive experiments on benchmark datasets.
Methods
In this section, the authors describe the implementation of the proposed PLMF-MDA framework using Python and the PyTorch deep learning library. The model was trained with the Adam optimizer, utilizing a learning rate and weight decay of $5 \times 10^{-4}$. Key libraries employed include PyTorch v2.1.2, PyTorch-Geometric v2.4.0, RDKit v2023.9.6, and NumPy v1.24.4, with all experiments conducted on an RTX 4070 laptop GPU to enhance training and inference efficiency. The final embedding dimensions for miRNA and drug were both set to 128, and sequence feature extraction utilized convolutional kernels of sizes 2, 3, and 4, while molecular graph features were derived from a three-layer Graph Convolutional Network (GCN).
For evaluation, the study focuses on two primary metrics: the area under the receiver operating characteristic curve (AUC) and the area under the precision-recall curve (AUPR). These metrics are critical for assessing the performance of binary classification tasks, particularly in the context of biomolecular interaction prediction. AUC quantifies the model’s ability to differentiate between classes, while AUPR provides valuable insights into model performance on imbalanced datasets. Additional implementation details are accessible via the provided GitHub link.
Results
The section on “Results” presents the findings from the conducted experiments, detailing the outcomes and their implications. The experiments aimed to test the proposed hypotheses, utilizing various methodologies to ensure robustness and reliability. Key results indicate a significant correlation between the variables under investigation, with statistical analyses confirming the validity of the findings.
The data reveal that the experimental conditions led to observable effects, which were quantified using appropriate metrics. For instance, the results demonstrated that the intervention had a measurable impact, as indicated by the changes in the dependent variables. These findings contribute to the existing body of knowledge and suggest potential avenues for further research, particularly in exploring the underlying mechanisms driving the observed effects.
Discussion
In this section, the authors discuss the development and validation of two benchmark datasets, MDRdataset and MDSdataset, which were constructed to address the scarcity of miRNA-drug resistance and sensitivity data. These datasets were derived from the ncRNADrug database and include 5411 resistance associations involving 1317 miRNAs and 105 drugs, as well as 5054 sensitivity associations involving 1252 miRNAs and 140 drugs. The authors highlight the significance of miRNAs in drug resistance and sensitivity, noting that 949 miRNAs were identified as potentially associated with both types of drug interactions. The datasets were meticulously curated, excluding outdated miRNAs and non-small molecule drugs, and the statistical analysis provided insights into the characteristics of the miRNA sequences and drug representations.
The authors introduce PLMF-MDA, a novel framework designed to predict miRNA-drug associations by leveraging pre-trained language models (PLMs) and intrinsic embedding extractors. The framework employs a cross-modal attention mechanism to integrate multi-perspective representations from both miRNA sequences and drug molecular structures, enhancing prediction accuracy. The performance of PLMF-MDA was rigorously evaluated against several baseline methods using 5-fold cross-validation, demonstrating superior results in terms of AUC and AUPR metrics for both MDR and MDS tasks. The findings underscore the effectiveness of combining PLM-derived embeddings with intrinsic features from multi-scale CNNs and graph convolutional networks (GCNs), thereby improving the model’s robustness and generalizability in predicting drug resistance and sensitivity associations.