RareAgent: Selbstlernende Logik für Medikamenten‑Re‑Purposing bei seltenen Krankheiten

Die Suche nach neuen Einsatzmöglichkeiten für bestehende Medikamente bei seltenen Erkrankungen gestaltet sich besonders schwierig, wenn bislang keine Verbindungen zwischen Wirkstoffen und Zielkrankheiten bekannt sind. In solchen Fällen liefern herkömmliche Methoden wie Knowledge‑Graph‑Completion oder Graph‑Neural‑Networks kaum verlässliche Signale, was die Leistung stark einschränkt.

Mit dem neuen Ansatz RareAgent wird das Problem grundlegend neu definiert: Statt passiv Muster zu erkennen, agiert das System aktiv als evidenzsuchende Logik. Mehrere Agenten führen gezielte Debatten, bauen dabei dynamisch Beweisgraphen aus unterschiedlichen Perspektiven auf und prüfen Hypothesen, indem sie sie unterstützen, widerlegen oder bestätigen.

Die erarbeiteten Argumentationsstrategien werden anschließend in einem selbstentwickelnden Feedback‑Loop analysiert. Dabei liefert das System textuelle Rückmeldungen, die die Agentenstrategien verfeinern, während erfolgreiche Denkpfade in übertragbare Heuristiken überführt werden, die zukünftige Untersuchungen beschleunigen.

Umfangreiche Tests zeigen, dass RareAgent die Indikations‑AUPRC um beeindruckende 18,1 % gegenüber herkömmlichen Reasoning‑Baselines steigert. Gleichzeitig liefert das System transparente, klinisch nachvollziehbare Beweisketten, die die Nachvollziehbarkeit und Vertrauenswürdigkeit der vorgeschlagenen Therapien erhöhen.