نُوَّلَتَ النُّوى ذاتَ التَّوْسُعِ الخطيّ لسلاسل البروتينات والجزيئات الصغيرة على التعلّم العميق مع توفير كمّية تقييم عدم اليقين وتحسين القابلية للتفسير

تُعد عملية غاوسيّة (GP) نموذجًا بايزيًا يوفر العديد من المزايا للمهام الانحدارية في التعلم الآلي، مثل التقدير الموثوق للغموض والتحسين في القدرة على التفسير. ومع ذلك، كانت تُعرقل إمكانية استخدامها بسبب التكاليف الحسابية العالية، بالإضافة إلى الصعوبة في تكييفها لتحليل التسلسلات (مثل تسلسلات الأحماض الأمينية والتسلسلات النووية) والرسوم البيانية (مثل تلك التي تمثل الجزيئات الصغيرة). في هذه الدراسة، نطوّر أساليب فعّالة وقابلة للتوسع لتناسب نماذج العمليات الغاوسيّة، فضلًا عن نوى تقاربية سريعة تتناسب خطيًا مع حجم الرسم البياني أو التسلسل. نُطبّق هذه التحسينات من خلال إنشاء مكتبة مفتوحة المصدر بلغة بايثون تُسمى xGPR. ونقارن أداء xGPR بأداء نماذج التعلم العميق المختلفة على 20 معيارًا، تشمل بيانات جزيئات صغيرة، وتسلسلات بروتينية، وبيانات جدولية. ونُظهر أن xGPR يحقق أداءً تنافسيًا للغاية مع وقت تدريب أقصر بكثير. علاوةً على ذلك، نطوّر نُوى جديدة للبيانات التسلسلية والرسوم البيانية، ونُظهر أن xGPR يتفوّق عادةً على الشبكات العصبية التلافيفية في توقع الخصائص الأساسية للبروتينات والجزيئات الصغيرة. ومن المهم أن xGPR توفر معلومات حول الغموض، وهي ميزة غير متوفرة في النماذج التقليدية للتعلم العميق. بالإضافة إلى ذلك، توفر xGPR تمثيلًا للبيانات المدخلة يمكن استخدامه في التجميع وتصور البيانات. تُظهر هذه النتائج أن xGPR أداة قوية وعامة يمكن أن تكون مفيدة على نطاق واسع في هندسة البروتينات والاكتشاف الدوائي.