دمج الطبقات التلافيفية وشبكة Biformer مع تدريب طريقة التقدم-التقدم والتدريج العكسي

يُعد التنبؤ الدقيق بالخصائص الجزيئية أمرًا بالغ الأهمية في اكتشاف الأدوية والكيمياء الحاسوبية، حيث يُسهم في تحديد المركبات الواعدة ويسرع من تطوير العلاجات. تعاني النماذج التقليدية للتعلم الآلي من صعوبات في التعامل مع البيانات عالية الأبعاد، بالإضافة إلى الحاجة إلى هندسة يدوية للميزات، في حين قد لا تتمكن الطرق الحالية القائمة على التعلم العميق من التقاط الهياكل الجزيئية المعقدة، مما يترك فجوة بحثية. نقدم في هذا العمل إطارًا جديدًا يُسمى Deep-CBN، مصمم لتحسين التنبؤ بالخصائص الجزيئية من خلال التقاط تمثيلات جزيئية معقدة مباشرة من البيانات الخام، مما يعزز الدقة والكفاءة. تعتمد منهجيتنا على دمج الشبكات العصبية التلافيفية (CNNs) مع آلية انتباه BiFormer، مع استخدام كل من خوارزمية forward-forward والانحدار التراجعي (backpropagation). يعمل النموذج على ثلاث مراحل: (1) تعلم الميزات، حيث يتم استخلاص الميزات المحلية من سلاسل SMILES باستخدام الشبكات العصبية التلافيفية؛ (2) تحسين الانتباه، حيث يتم التقاط السياق العالمي باستخدام وحدة BiFormer مُحسّنة بخوارزمية forward-forward؛ (3) ضبط الشبكة الفرعية للتنبؤ، حيث يتم التحسين الدقيق عبر الانحدار التراجعي. أظهرت التقييمات على مجموعات بيانات معيارية — بما في ذلك Tox21، BBBP، SIDER، ClinTox، BACE، HIV، وMUV — أن Deep-CBN يحقق درجات ROC-AUC قريبة من الكمال، وتفوق بوضوح الطرق الرائدة في مجالها. تُظهر هذه النتائج فعاليته في التقاط الأنماط الجزيئية المعقدة، مما يوفر أداة قوية لتسريع عمليات اكتشاف الأدوية.