基于检索增强的多模态混合专家模型用于蛋白质活性位点识别
人工智能
2026-03-09 v2
摘要
准确识别蛋白质活性位点至残基水平至关重要，用于理解蛋白质功能和推进药物发现。然而，现有方法面临两个关键挑战：由于稀疏训练数据，单实例预测易受脆弱性影响；且不足以对模态可靠性进行估计，导致不可靠模态主导融合过程时性能下降。为此，我们引入基于检索增强的多模态混合专家模型（MERA），这是首个用于蛋白质活性位点识别的检索增强框架。MERA采用分层多专家检索，通过残基级别的混合专家门控动态聚合来自链、序列和活性位点视角的上下文信息。为防止模态退化，我们提出基于德蒙斯-夏伯利证据理论的可靠性感知融合策略，通过信念质量函数和可学习的贴现系数量化模态可信度，从而实现原则化的多模态集成。在ProTAD-Gen和TS125数据集上的广泛实验表明，MERA实现了最先进的性能，在活性位点预测上达到90%的AUPRC，并在肽结合位点识别中取得显著提升，验证了检索增强的多专家建模和可靠性导引融合的有效性。
引用
@article{arxiv.2603.01511,
title = {Multimodal Mixture-of-Experts with Retrieval Augmentation for Protein Active Site Identification},
author = {Jiayang Wu and Jiale Zhou and Rubo Wang and Xingyi Zhang and Xun Lin and Tianxu Lv and Leong Hou U and Yefeng Zheng},
journal= {arXiv preprint arXiv:2603.01511},
year = {2026}
}