Dan Kalifa Uriel Singer Kira Radinsky

الملخص

تلعب البروتينات دورًا محوريًا في العمليات الحيوية، وفهم الآليات المعقدة داخل الكائنات الحية يعتمد بشكل كبير على دراسة هذه البروتينات. إن تمثيل البروتينات بدقة يُعد أمرًا حاسمًا لدفع عجلة التقدم في تطوير الأدوية، والبيولوجيا الاصطناعية، وفهم آليات الأمراض. تركز الطرق الحالية بشكل رئيسي على الهياكل أحادية البعد (1D)، مع التركيز على تسلسل الأحماض الأمينية. لكن هذا النهج يتجاهل التفاصيل الهيكلية الثلاثية الأبعاد (3D) الأساسية التي تحدد وظيفة البروتينات وتفاعلاتتها. وقد أظهرت المحاولات الأولية لاستغلال كلا النمطين (1D و3D) فوائد محدودة مقارنة بتمثيلات النمط الواحد. في هذا العمل، نقدم "FusionProt"، إطارًا جديدًا لتعلم تمثيل البروتينات مصممًا لتعلم تمثيلات موحدة للهياكل أحادية البعد وثلاثية الأبعاد للبروتينات في آنٍ واحد. يدمج FusionProt رمزًا تعلميًا مبتكرًا يُعد جسرًا تكيفيًا، يُمكّن من تبادل مستمر للمعلومات بين نموذج لغة البروتين والرسم البياني للهيكل ثلاثي الأبعاد للبروتين. ويتم دمج هذا الرمز في عملية التدريب لكلا النمطين، مما يتيح انتقالًا سلسًا للمعلومات ويدعم تمثيلًا شاملاً من خلال دورات تعلم متكررة. وتبين التقييمات التجريبية عبر مهام بيولوجية متنوعة أن FusionProt يحقق أداءً يُعد من أفضل الأداءات الحالية، مما يمثل تقدمًا كبيرًا في مجال تعلم تمثيل البروتينات.