DMAGT：通过图Transformer模型整合SMILES与RNA序列结构以揭示miRNA-药物关联

miRNA 因其在基因调控中的作用，为药理学开辟了新的途径，专注于靶向 miRNA 的药物开发。然而，传统的湿实验受限于效率和成本约束，使得难以广泛探索已开发药物与靶标 miRNA 之间的潜在关联。因此，我们设计了一种基于多层基于 Transformer 的图神经网络的新型机器学习模型 DMAGT，专门用于预测药物与 miRNA 之间的关联。该模型将药物-miRNA 关联转化为图，使用 Word2Vec 嵌入药物分子结构和 miRNA 碱基结构的特征，并利用图 Transformer 模型从嵌入特征和关系结构中学习，最终预测药物与 miRNA 之间的关联。为评估 DMAGT，我们在三个由药物-miRNA 关联组成的数据集上测试了其性能：ncDR、RNAInter 和 SM2miR，达到了最高 AUC 为 $95.24\pm0.05$。DMAGT 在处理类似挑战的比较实验中表现出优越性能。为验证其实际有效性，我们特别关注了两种药物，即 5-氟尿嘧啶和奥沙利铂。在最有可能的 20 个潜在药物-miRNA 关联中，有 14 个得到了成功验证。上述实验表明 DMAGT 在预测药物-miRNA 关联方面具有优异的性能和稳定性，为 miRNA 药物开发提供了一条新捷径。