面向蛋白多任务学习的异构多通道等变网络
机器学习
2024-04-03 v1
摘要
理解和利用蛋白质的3D结构是生物学和药物发现任务中的核心问题。虽然深度学习已成功应用于基于结构的蛋白功能预测任务，但当前方法通常为每个任务单独训练。然而，每个任务的数据量较小，这种单任务策略会限制模型的性能和泛化能力。由于一些标记好的3D蛋白数据集在生物学上具有关联性，将多源数据集组合进行大规模多任务学习是一种解决方案。本文提出一种神经网络模型，用于在3D蛋白结构输入上解决多个任务。具体而言，我们首先构建了一个标准结构-based 多任务基准称为"蛋白质-多任务"（Protein-MT），由4个公开数据集整合的6个生物学相关任务组成，包括亲和力预测和属性预测。然后，我们开发了一个用于多任务学习的新型图神经网络，称为"异构多通道等变网络"（Heterogeneous Multichannel Equivariant Network, HeMeNet），其具有E(3)等变性，能够捕捉不同原子之间的异构关系。此外，HeMeNet通过任务感知读取机制（task-aware readout mechanism）实现任务特定学习。在我们的基准上进行的广泛评估验证了多任务学习的有效性，我们的模型通常优于最先进的模型。
引用
@article{arxiv.2404.01693,
title = {HeMeNet: Heterogeneous Multichannel Equivariant Network for Protein Multitask Learning},
author = {Rong Han and Wenbing Huang and Lingxiao Luo and Xinyan Han and Jiaming Shen and Zhiqiang Zhang and Jun Zhou and Ting Chen},
journal= {arXiv preprint arXiv:2404.01693},
year = {2024}
}