TrimNet: تعلّم تمثيل الجزيئات من الرسائل الثلاثية للطب الحيوي

الدافع: تُسرّع الأساليب الحاسوبية اكتشاف الأدوية وتمثّل دورًا مهمًا في مجال الطب الحيوي، مثل توقع خصائص الجزيئات وتحديد التفاعلات بين المركبات والبروتينات. وتمثل التحدي الرئيسي في تعلّم تمثيل مفيد للجزيئات. في السنوات المبكرة، كانت خصائص الجزيئات تُحسب غالبًا باستخدام الميكانيكا الكمومية أو تُقدّر باستخدام أساليب التعلم الآلي التقليدية، والتي تتطلب معرفة خبراء وغالبًا ما تكون مجهدة من حيث الجهد البشري. في الوقت الحالي، حظيت الشبكات العصبية الرسومية باهتمام كبير بفضل قدرتها القوية على استخلاص التمثيلات من البيانات الرسومية. ومع ذلك، لا تزال الأساليب القائمة على الرسومات تواجه بعض القيود التي تحتاج إلى معالجة، مثل الحجم الكبير للبارامترات وعدم كفاية استخلاص معلومات الرابطة.النتائج: في هذه الدراسة، اقترحنا منهجية قائمة على الرسومات تستخدم آلية رسالة ثلاثية مبتكرة لاستخلاص تمثيل الجزيئات بكفاءة، وسُمّيت بشبكات الرسالة الثلاثية (TrimNet). ونُظهر أن TrimNet قادرة على إنجاز مهام متعددة لاستخلاص تمثيل الجزيئات بدقة عالية مع تقليل كبير في عدد البارامترات، بما في ذلك توقع الخصائص الكمومية، والفعالية الحيوية، والوظائف الفسيولوجية، وتنبؤ التفاعلات بين المركبات والبروتينات (CPI). وفي التجارب، تفوقت TrimNet على أحدث الطرق المطورة السابقة بفارق كبير على مختلف المجموعات البيانات. بالإضافة إلى عدد قليل من البارامترات ودقة تنبؤ عالية، يمكن لـ TrimNet التركيز على الذرات الأساسية المتعلقة بالخصائص المستهدفة، مما يوفر تفسيرًا واضحًا للمهام التنبؤية. وقد أرسى هذا التميز TrimNet كأداة حاسوبية قوية وفعّالة في معالجة التحديات المتعلقة بتعلم تمثيل الجزيئات.