Cząsteczki MikroRNA (miRNA) są istotne w wielu procesach biologicznych, są także związane z występowaniem niektórych chorób u ludzi. W pracy proponujemy model uczenia maszynowego, który przewidywać powiązanie cząsteczki o danej sekwencji z chorobą. Pozwala to redukować liczbę eksperymentów w laboratorium biologicznym, które są kosztowne i długotrwałe.

Liczne, wcześniejsze eksperymenty biologiczne zidentyfikowały wiele rodzajów związków między miRNA a chorobami, ale istniejące inne metody obliczeniowe nie są w stanie przewidywać poprawnie takich powiązań dla cząsteczek miRNA. Nasz algorytm wykorzystuje nową architekturę sztucznej sieci neuronowej, opartą na grafach, nazywaną MSHGATMDA. Uwzględniliśmy znane z literatury związki miRNA - choroba dodając pięć grafów, zaś model znajduje podobieństwo do któregoś z tych grafów. Taka architektura, uzupełniona warstwami w pełni połączonymi, pozwala poprawnie przewidzieć wyniki nieznanych związków miRNA - choroba.

Nasz program dla analizy danych z bazy HMDD, zawierającej 5430 ludzkich miRNA, pokazał znaczną poprawę w stosunku do innych metod, uzyskując przy pięciokrotnej walidacji krzyżowej następujące średnie oceny: dokładność 0.8595, precyzję 0.8601, czułość 0.8596 i miarę F1=0.8595. Ponadto uzyskaliśmy wartość AUC ROC wynoszącą 0.934, jest to obecnie wartość przewyższająca wyniki z innych podejść. Dodatkowo potwierdzamy skuteczność MSHGATMDA w przewidywaniu nieznanych chorób poprzez studia przypadków.