論文の概要: Enhancing Multimodal Protein Function Prediction Through Dual-Branch Dynamic Selection with Reconstructive Pre-Training

• arxiv url: http://arxiv.org/abs/2511.04040v1
• Date: Thu, 06 Nov 2025 04:19:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.299349
• Title: Enhancing Multimodal Protein Function Prediction Through Dual-Branch Dynamic Selection with Reconstructive Pre-Training
• Title（参考訳）: 再構成前訓練によるデュアルブランチ動的選択によるマルチモーダルタンパク質機能予測の強化
• Authors: Xiaoling Luo, Peng Chen, Chengliang Liu, Xiaopeng Jin, Jie Wen, Yumeng Liu, Junsong Wang,
• Abstract要約: 動的選択と再構成事前学習機構を利用した多モードタンパク質機能予測法(DSRPGO)を提案する。 提案するDSRPGOモデルは,人間のデータセット上でのBPO,MFO,CCOを大幅に改善する。
• 参考スコア（独自算出の注目度）: 19.3863460349536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal protein features play a crucial role in protein function prediction. However, these features encompass a wide range of information, ranging from structural data and sequence features to protein attributes and interaction networks, making it challenging to decipher their complex interconnections. In this work, we propose a multimodal protein function prediction method (DSRPGO) by utilizing dynamic selection and reconstructive pre-training mechanisms. To acquire complex protein information, we introduce reconstructive pre-training to mine more fine-grained information with low semantic levels. Moreover, we put forward the Bidirectional Interaction Module (BInM) to facilitate interactive learning among multimodal features. Additionally, to address the difficulty of hierarchical multi-label classification in this task, a Dynamic Selection Module (DSM) is designed to select the feature representation that is most conducive to current protein function prediction. Our proposed DSRPGO model improves significantly in BPO, MFO, and CCO on human datasets, thereby outperforming other benchmark models.
• Abstract（参考訳）: マルチモーダルタンパク質はタンパク質機能予測において重要な役割を担っている。 しかし、これらの特徴は構造データやシーケンスの特徴からタンパク質の属性や相互作用ネットワークまで幅広い情報を含んでいるため、複雑な相互接続を解読することは困難である。 本研究では,動的選択と再構成型事前学習機構を利用したマルチモーダルタンパク質機能予測手法(DSRPGO)を提案する。 複雑なタンパク質情報を取得するために,よりきめ細かい情報を低い意味レベルで抽出するために,再構成事前学習を導入する。 さらに,マルチモーダル機能間の対話的学習を容易にするために,双方向インタラクションモジュール(BInM)を提案する。 さらに、このタスクにおける階層的マルチラベル分類の難しさに対処するため、動的選択モジュール(DSM)は、現在のタンパク質機能予測に最も寄与する特徴表現を選択するように設計されている。 提案するDSRPGOモデルは,人間のデータセット上でのBPO,MFO,CCOにおいて大幅に改善され,他のベンチマークモデルよりも優れる。

関連論文リスト

• Foundation Model for Skeleton-Based Human Action Understanding [56.89025287217221]
  本稿では,統一骨格に基づくDense Representation Learningフレームワークを提案する。 USDRLはトランスフォーマーベースのDense Spatio-Temporal (DSTE)、Multi-Grained Feature Deorrelation (MG-FD)、Multi-Perspective Consistency Training (MPCT)で構成されている。
  論文  参考訳（メタデータ） (2025-08-18T02:42:16Z)
• An All-Atom Generative Model for Designing Protein Complexes [65.06317264153175]
  APM(All-Atom Protein Generative Model)は、マルチチェーンタンパク質をモデル化するためのモデルである。 鎖間相互作用を正確にモデル化し、結合能力を持つタンパク質複合体をゼロから設計することができる。 また、多鎖タンパク質の折りたたみおよび逆折りのタスクも行う。
  論文  参考訳（メタデータ） (2025-04-17T16:37:41Z)
• OneProt: Towards Multi-Modal Protein Foundation Models [6.9092913261646345]
  我々は、構造、シーケンス、テキスト、結合サイトデータを統合したタンパク質のためのマルチモーダルAIであるOneProtを紹介する。 ImageBindフレームワークを使用して、OneProtは軽量な微調整方式でタンパク質モダリティエンコーダの潜在空間を整列する。 この研究はマルチモーダルタンパク質モデルの地平線を広げ、薬物発見、生物触媒反応計画、タンパク質工学における変革的応用の道を開く。
  論文  参考訳（メタデータ） (2024-11-07T16:54:54Z)
• SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
  タンパク質基盤モデルのための新しい事前学習戦略を導入する。 アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。 大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-10-31T15:22:03Z)
• Progressive Multi-Modality Learning for Inverse Protein Folding [47.095862120116976]
  マルチモーダルトランスファー学習を利用するMMDesignと呼ばれる新しいタンパク質設計パラダイムを提案する。 MMDesignは、事前訓練された構造モジュールと事前訓練されたコンテキストモジュールを組み合わせる最初のフレームワークである。 実験結果は、小さなデータセットでのみトレーニングした結果、MMDesignが様々な公開ベンチマークのベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2023-12-11T10:59:23Z)
• Prot2Text: Multimodal Protein's Function Generation with GNNs and Transformers [18.498779242323582]
  本稿では,タンパク質の機能を自由テキスト形式で予測する新しいアプローチであるProt2Textを提案する。 エンコーダ・デコーダフレームワークでグラフニューラルネットワーク(GNN)とLarge Language Models(LLM)を組み合わせることにより,本モデルは多種多様なデータ型を効果的に統合する。
  論文  参考訳（メタデータ） (2023-07-25T09:35:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。