PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.22823v1cs.LG

저상동성 분포 이동 하에서의 효소-기질 상호작용 예측을 위한 검색-증강 다중모달 학습

Retrieval-Augmented Multimodal Learning for Enzyme-Substrate Interaction Prediction Under Low-Homology Shift

효소-기질 상호작용(ESI) 예측은 대규모 생화학 공간에서 생물촉매 탐색과 반응 스크리닝을 위한 기본적인 계산 과제이다. 실제 환경에서는 ESI 예측이 희소한 양성 감독과 저상동성 분포 이동에 의해 어려움을 겪는데, 이는 테스트 효소가 학습 중 관측된 효소와 제한적인 서열 동일성(sequence identity)을 공유하는 상황을 말한다. 이러한 과제를 해결하기 위해, 우리는 강건한 ESI 예측을 위한 검색-증강 다중모달 프레임워크 RAMMESI를 제안한다. RAMMESI는 방향성 교차-모달 상호작용 모델링과 적응적 융합을 통해 명시적인 쌍별 효소-기질 표현을 학습한다. 강건성을 높이기 위해 RAMMESI는 추론 시점에 이웃 효소를 검색하고, 이를 질의 기질과 재결합한 뒤, 그 결과로 얻어진 쌍별 예측을 문맥적 증거로 집계한다. 희소한 양성 감독 하에서의 학습을 개선하기 위해, 우리는 추가로 불균형 인식 가중 BCE 목적함수를 채택한다. 서열 동일성을 고려한 분할 하의 두 ESI 벤치마크에서의 실험은 RAMMESI가 일관되게 강한 성능을 달성함을 보여주며, 특히 더 어려운 저동일성(low-identity) 구간에서 두드러진 이점을 보인다. 또한 검색 모듈은 plug-and-play 방식으로 여러 ESI 백본을 개선하며, 이는 검색이 상동성 이동(homology shift) 하에서 강건성을 향상시키는 일반적인 메커니즘을 제공함을 시사한다.