منذ 11 أيام

TransformerCPI: تحسين تنبؤ التفاعل بين المركب والبروتين من خلال التعلم العميق القائم على التسلسل باستخدام آلية الانتباه الذاتي وتجارب عكس التسمية

{Mingyue Zheng, Hualiang Jiang, Kaixian Chen, Xiaomin Luo, Tianbiao Yang, Xiaohong Liu, Feisheng Zhong, Dingyan Wang, Xiaoqin Tan, Lifan Chen}

عرض تفاصيل الورقة البحثية View Code

الملخص

الدافعتمثّل تحديد التفاعل بين المركب والبروتين (CPI) مهمة حاسمة في أبحاث اكتشاف الأدوية ودراسات الكيمياء الجينومية، حيث تمثل البروتينات التي لا تتوفر لها بنية ثلاثية الأبعاد جزءًا كبيرًا من الأهداف البيولوجية المحتملة، مما يستدعي تطوير طرق تعتمد فقط على معلومات تسلسل البروتين لتنبؤ التفاعل. ومع ذلك، قد تواجه نماذج CPI القائمة على التسلسل بعض المخاطر الخاصة، مثل استخدام مجموعات بيانات غير مناسبة، والتحيّز الخفي للمركب (ligand bias)، وتقسيم مجموعات البيانات بشكل غير مناسب، ما يؤدي إلى مبالغة في تقدير أداء النموذج التنبؤي.النتائجلحل هذه المشكلات، قمنا في هذا العمل ببناء مجموعات بيانات جديدة مخصصة لتنبؤ التفاعل بين المركب والبروتين، واقترحنا شبكة عصبية جديدة تعتمد على نموذج الترانسفيرمر تُسمّى TransformerCPI، ووضعنا تجربة عكس التسمية (label reversal) الأكثر صرامة لاختبار ما إذا كان النموذج قد تعلّم حقًا الخصائص الحقيقية للتفاعل. أظهرت TransformerCPI أداءً محسّنًا بشكل كبير في التجارب الجديدة، ويمكن تفكيكها لتحديد المناطق المهمة في تسلسل البروتين والذرات في المركب المشاركة في التفاعل، مما قد يوفّر توجيهات مفيدة لدراسات الكيمياء الحيوية ويساعد في تحسين البنية الهيكلية للمركب لاحقًا.