論文の概要: MMPG: MoE-based Adaptive Multi-Perspective Graph Fusion for Protein Representation Learning

• arxiv url: http://arxiv.org/abs/2601.10157v1
• Date: Thu, 15 Jan 2026 07:57:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:19.044245
• Title: MMPG: MoE-based Adaptive Multi-Perspective Graph Fusion for Protein Representation Learning
• Title（参考訳）: MMPG:タンパク質表現学習のためのMoEに基づく適応多目的グラフ融合
• Authors: Yusong Wang, Jialun Shen, Zhihao Wu, Yicheng Xu, Shiyin Tan, Mingkun Xu, Changshuo Wang, Zixing Song, Prayag Tiwari,
• Abstract要約: 複数の視点からタンパク質グラフを構築し、タンパク質表現学習(PRL)のためのMixture of Experts(MoE)を介してそれらを適応的に融合するフレームワークを提案する。 我々は、MoEが、個々の表現から異なるレベルの相互作用をモデリングし、ペアワイズな相互認識のシナジー、そして最終的にはすべての視点におけるグローバルコンセンサスに、専門家を自動で専門化することを定量的に検証する。
• 参考スコア（独自算出の注目度）: 37.520035890378956
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) have been widely adopted for Protein Representation Learning (PRL), as residue interaction networks can be naturally represented as graphs. Current GNN-based PRL methods typically rely on single-perspective graph construction strategies, which capture partial properties of residue interactions, resulting in incomplete protein representations. To address this limitation, we propose MMPG, a framework that constructs protein graphs from multiple perspectives and adaptively fuses them via Mixture of Experts (MoE) for PRL. MMPG constructs graphs from physical, chemical, and geometric perspectives to characterize different properties of residue interactions. To capture both perspective-specific features and their synergies, we develop an MoE module, which dynamically routes perspectives to specialized experts, where experts learn intrinsic features and cross-perspective interactions. We quantitatively verify that MoE automatically specializes experts in modeling distinct levels of interaction from individual representations, to pairwise inter-perspective synergies, and ultimately to a global consensus across all perspectives. Through integrating this multi-level information, MMPG produces superior protein representations and achieves advanced performance on four different downstream protein tasks.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)はタンパク質表現学習(PRL)において広く採用されている。 現在のGNNベースのPRL法は、通常、単一パースペクティブグラフ構築戦略に依存し、残余相互作用の部分的性質をキャプチャし、不完全なタンパク質表現をもたらす。 この制限に対処するため,多視点からタンパク質グラフを構築し,PRLのためのMixture of Experts (MoE)を介してそれらを適応的に融合するフレームワークMMPGを提案する。 MMPGは、物理、化学的、幾何学的な観点からグラフを構築し、残余相互作用の異なる性質を特徴づける。 パースペクティブ固有の特徴と相乗効果の両方を捉えるために,専門の専門家に視点を動的にルーティングするMoEモジュールを開発し,そこで専門家は本質的な特徴と相互パースペクティブな相互作用を学習する。 我々は、MoEが、個々の表現から異なるレベルの相互作用をモデリングし、ペアワイズな相互認識のシナジー、そして最終的にはすべての視点におけるグローバルコンセンサスに、専門家を自動で専門化することを定量的に検証する。 この多レベル情報を統合することで、MMPGは優れたタンパク質表現を生成し、4つの下流タンパク質タスクで高度な性能を発揮する。

関連論文リスト

• M-GLC: Motif-Driven Global-Local Context Graphs for Few-shot Molecular Property Prediction [17.236893652698196]
  FSMPP(Few-shot Molecular Property Prediction)は、医薬品の発見と材料科学の基礎である。 我々は、Motif Driven Global-Local Context Graphという包括的なソリューションを提案する。 グローバルレベルでは、共有サブ構造を表す化学的に有意なモチーフノードを導入し、グローバルな三部構造不均一グラフを形成する。 局所レベルでは、分子プロパティペアの各ノードのサブグラフを構築し、それらを個別に符号化し、最も情報に富む隣り合う分子にモデルの注意を集中させる。
  論文  参考訳（メタデータ） (2025-10-24T02:00:41Z)
• Geometric Multi-color Message Passing Graph Neural Networks for Blood-brain Barrier Permeability Prediction [1.488392495573075]
  本稿では,幾何学的多色メッセージパッシンググラフニューラルネットワーク(GMC-MPNN)を提案する。 本モデルは,血液脳関門透過性を規定する空間的関係と化学的文脈を捉えるために,原子タイプに基づく重み付きカラーサブグラフを構築した。
  論文  参考訳（メタデータ） (2025-07-25T03:38:46Z)
• PRING: Rethinking Protein-Protein Interaction Prediction from Pairs to Graphs [88.98041407783502]
  PRINGは、タンパク質とタンパク質の相互作用予測をグラフレベルで評価する最初のベンチマークである。 PRINGは、21,484タンパク質と186,818の相互作用からなる高品質な多種PPIネットワークデータセットをキュレートする。
  論文  参考訳（メタデータ） (2025-07-07T15:21:05Z)
• Multi-Level Fusion Graph Neural Network for Molecule Property Prediction [8.629821238312621]
  グラフアテンションネットワークと新しいグラフ変換器を統合したマルチレベルフュージョングラフニューラルネットワーク(MLFGNN)を提案する。 複数のベンチマークデータセットの実験により、MLFGNNは、分類タスクと回帰タスクの両方において、最先端のメソッドを一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2025-07-04T09:38:19Z)
• KEPLA: A Knowledge-Enhanced Deep Learning Framework for Accurate Protein-Ligand Binding Affinity Prediction [60.23701115249195]
  KEPLAは、遺伝子オントロジーとリガンド特性の事前知識を統合し、予測性能を向上させる新しいディープラーニングフレームワークである。 2つのベンチマークデータセットの実験では、KEPLAは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-16T08:02:42Z)
• Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
  マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。 MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。 我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
  論文  参考訳（メタデータ） (2020-05-17T04:46:07Z)

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。