MMPG：基于MoE的自适应多视角图融合用于蛋白质表示学习
人工智能
2026-01-16 v1
摘要
图神经网络(GNN)已被广泛用于蛋白质表示学习(PRL)，因为残基相互作用网络可以自然地表示为图。当前基于GNN的PRL方法通常依赖于单视角图构建策略，这些策略捕获了残基相互作用的部分属性，导致蛋白质表示不完整。为了解决这一局限性，我们提出了MMPG，一个从多个视角构建蛋白质图并通过混合专家(MoE)自适应融合它们以进行PRL的框架。MMPG从物理、化学和几何视角构建图，以表征残基相互作用的不同属性。为了捕获视角特定特征及其协同作用，我们开发了一个MoE模块，该模块动态地将视角路由到专门的专家，其中专家学习内在特征和跨视角交互。我们定量验证了MoE自动使专家专门建模从个体表示、到成对视角间协同作用、最终到跨所有视角的全局共识的不同层次的交互。通过整合这些多层次信息，MMPG产生了优越的蛋白质表示，并在四个不同的下游蛋白质任务上取得了先进的性能。
引用
@article{arxiv.2601.10157,
title = {MMPG: MoE-based Adaptive Multi-Perspective Graph Fusion for Protein Representation Learning},
author = {Yusong Wang and Jialun Shen and Zhihao Wu and Yicheng Xu and Shiyin Tan and Mingkun Xu and Changshuo Wang and Zixing Song and Prayag Tiwari},
journal= {arXiv preprint arXiv:2601.10157},
year = {2026}
}