基于高阶消息传递的糖类表征学习

糖类是最复杂的生物序列，单糖形成延伸的非线性序列。作为后翻译修饰物，他们调控蛋白质的结构、功能和相互作用。由于其多样性和复杂性，糖类特性和功能的预测模型仍不足。图神经网络 (GNN) 是一类专为处理和分析图结构数据而设计的深度学习模型。这些架构利用图中的连通性和关系信息来学习节点、边以及整个图的有效表示。通过迭代聚合来自相邻节点的信息，GNN 捕捉图数据中的复杂模式，使其特别适合于跨领域的链接预测或图分类任务。本 work 提出了一种基于组合复合体和高阶消息传递的新模型架构，用于从糖类结构中提取特征到潜在空间的表示。该架构在改进的 GlycanML 基准套件上进行评估，建立了新的最先进性能。我们设想，这些改进将推动计算糖学科学的进一步发展，并揭示糖类在生物学中的作用。