мультимодальное обучение

В исследовании рассматривается критическая проблема мультимодального обучения в биоинформатике, а именно — деградация точности предсказаний при некорректном слиянии данных. Авторы анализируют процесс предсказания связывания Т-клеточного рецептора (TCR) с пептидом, где высокоточные последовательности белковых языковых моделей конфликтуют с зашумленными структурными графами, полученными из предсказанных фолдов. Для решения этой проблемы предложен фреймворк TRACE, использующий метод контрастивного выравнивания в стиле CLIP для обеспечения согласованности между последовательными и структурными представлениями каждой биологической сущности. Эксперименты на наборе данных TCHard RN показали, что наивное объединение последовательностей и графов часто уступает базовой модели, работающей только с последовательностями, или вовсе демонстрирует случайные результаты. Однако использование TRACE позволяет стабилизировать обучение и значительно повысить точность, даже при наличии сильного шума в графах или дефиците положительных меток. Результаты работы доказывают, что для надежной биоинформатики критически важен не просто набор модальностей, а способ ограничения их взаимодействия в процессе оптимизации.

В исследовании представлена инновационная модель DMVHP-IBS, предназначенная для высокоточного прогнозирования взаимодействий между белками вирусов и белками хозяина, а также определения конкретных сайтов их связывания. Методология базируется на динамической интеграции мультимодальных признаков, что позволяет учитывать сложные структурные и функциональные аспекты биомолекул. В отличие от существующих методов, данная модель использует динамический подход к анализу признаков, что значительно повышает точность предсказания в условиях вариативности биологических данных. Ключевым результатом работы является способность системы не только предсказывать факт взаимодействия, но и локализовать участки связывания, что критически важно для разработки таргетных противовирусных препаратов. Практическая значимость исследования заключается в ускорении процесса идентификации потенциальных мишеней для терапии вирусных инфекций, сокращая время на ранних этапах разработки лекарств. Использование ИИ в данном контексте позволяет автоматизировать сложнейшие биоинформатические задачи с высокой степенью достоверности.

Исследование представляет SELFormerMM — новую мультимодальную архитектуру глубокого обучения для вычислительного открытия лекарств. В отличие от существующих моделей, использующих только одномерные представления (последовательности или графы), SELFormerMM объединяет четыре источника данных: SELFIES-нотации молекул, структурные графы, текстовые описания и биологические взаимодействия из графов знаний. Авторы демонстрируют, что согласование этих гетерогенных представлений позволяет модели улавливать комплементарные сигналы, которые одномерные подходы упускают. Оценка производительности показала превосходство SELFormerMM над структура-, последовательность- и knowledge-based моделями на множестве задач предсказания свойств молекул. Аблиционные эксперименты подтвердили, что эффективная кросс-модальная выравнивание и покрытие модальностей критически важны для извлечения дополнительной информации из данных. Доступность инструмента через GitHub с датасетами, предобученными моделями и вычисленными эмбеддингами делает метод практически применимым для исследовательских групп. Разработанный подход обеспечивает более богатые представления молекул и открывает перспективы для гипотезно-ориентированного открытия новых лекарственных соединений.