прогнозирование взаимодействий

В исследовании представлен инновационный фреймворк EBD-DTI, предназначенный для решения критической проблемы «холодного старта» при прогнозировании взаимодействия лекарственных препаратов с белками-мишенями. Основная сложность заключается в предсказании связей для абсолютно новых, ранее не встречавшихся в обучающей выборке молекул и белков. Авторы предложили метод эпизодического обучения, при котором случайные подмножества сущностей маскируются в процессе каждой эпохи, имитируя условия zero-shot инференса. Использование мостового локального подграфа в сочетании с многошаговой диффузией позволяет передавать реляционный контекст от известных соседей к новым объектам. Экспериментальная проверка на трех ключевых бенчмарках (BioSNAP, BindingDB и DrugBank) показала превосходство метода над существующими SOTA-решениями. В частности, применение эпизодического обучения позволило увеличить показатель AUC на величину до 12%. Данная разработка имеет высокую значимость для ускорения компьютерного поиска новых лекарственных кандидатов.

Исследователи представили PHI-Reason — инновационный фреймворк для прогнозирования взаимодействий между бактериофагами и их хозяевами (PHI) на уровне видов. В отличие от традиционных методов, использующих числовые векторы сходства последовательностей или состава геномов, PHI-Reason переформулирует задачу как процесс логического вывода на основе биологических текстов. Система преобразует гетерогенные данные (геномы фагов и хозяев, функциональные аннотации, результаты гомологического поиска и метаданные) в модульные текстовые профили. Затем замороженная большая языковая модель (LLM) ранжирует потенциальных хозяев, интегрируя эти доказательства непосредственно во время инференса. Тестирование на бенчмарках показало, что PHI-Reason демонстрирует конкурентоспособную точность и находит правильные соответствия, которые упускают классические методы. Ключевым преимуществом является интерпретируемость: метод позволяет анализировать, на каких именно биологических фактах основан прогноз, и измерять риск галлюцинаций ИИ при неполных данных. Это делает технологию важным инструментом для микробиомной инженерии и глубокого понимания микробной экологии.

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.