إطار عام للتعلم العميق الهندسي الدقيق والفعال لنظم الجزيئات

تتناول العلوم الجزيئية طيفًا واسعًا من المشكلات المتعلقة بالجزيئات بأنواعها وأحجامها المختلفة، وكذلك معقداتها. في الآونة الأخيرة، أظهر التعلم العميق الهندسي، وبخاصة شبكات التعلم الرسومية (Graph Neural Networks)، أداءً واعدًا في تطبيقات العلوم الجزيئية. ومع ذلك، فإن معظم الدراسات الحالية تفرض غالبًا انحيازات استقرائية مخصصة لنظام جزيئي معين، مما يجعلها غير فعّالة عند تطبيقها على الجزيئات الكبيرة أو في المهام على نطاق واسع، ما يحد من تطبيقاتها في العديد من المشكلات الواقعية. ولحل هذه التحديات، نقدم PAMNet، وهي إطار عام لتعلم تمثيلات الجزيئات ثلاثية الأبعاد (3D) بدقة وكفاءة، بغض النظر عن حجمها أو نوعها، في أي نظام جزيئي. مستوحاة من ميكانيكا الجزيئات، تُدخل PAMNet انحيازًا مُستمدًا من الفيزياء لتمثيل تفاعلات محلية وغير محلية بشكل صريح، بالإضافة إلى تأثيراتها المجمعة. وبذلك، يمكن لـ PAMNet تقليل العمليات المكلفة، مما يجعلها فعّالة من حيث الوقت والذاكرة. وفي دراسات مقارنة شاملة، تتفوّق PAMNet على النماذج الرائدة من حيث الدقة والكفاءة في ثلاث مهام تعلّم متنوعة: خصائص الجزيئات الصغيرة، والهياكل ثلاثية الأبعاد للـ RNA، وارتباطات البروتينات بالروابط (ligands). تُبرز نتائجنا الإمكانيات الواسعة لـ PAMNet في تطبيقات العلوم الجزيئية المختلفة.