В статье представлена модель MCKG-SL — новый метод прогнозирования синтетической летальности (SL) для гена KRAS, одного из наиболее часто мутирующих онкогенов при раке. Синтетическая летальность — это ситуация, при которой одновременная инактивация двух генов приводит к гибели клетки, тогда как мутация только одного из них не влияет на жизнеспособность. Поиск SL-партнеров для KRAS критически важен для разработки таргетной терапии рака, поскольку сам KRAS долгое время считался «неизлечимым» белком. Авторы предлагают подход, основанный на графе знаний (knowledge graph), который интегрирует множество биологических признаков: экспрессию генов, мутационный статус, данные о белковых взаимодействиях и функциональную аннотацию. Ключевая инновация — механизм кросс-агрегации признаков (multi-feature cross-aggregation), который позволяет модели одновременно учитывать как локальные, так и глобальные закономерности в графе знаний, что повышает точность предсказаний по сравнению с существующими методами. Модель была протестирована на наборах данных по раку, ассоциированных с KRAS, и показала значительное улучшение метрик AUC и точности по сравнению с базовыми алгоритмами машинного обучения и существующими SL-предсказателями. Результаты исследования могут ускорить открытие новых терапевтических мишеней для пациентов с KRAS-мутациями и способствовать развитию персонализированной онкологии. Работа опубликована в журнале Artificial Intelligence in Medicine и доступна онлайн с 28 августа 2026 года.