مستوحاة من نجاح نماذج اللغة الكبيرة في مجالات مثل معالجة اللغة الطبيعية، قام الباحثون بتطبيق هياكل مشابهة، لا سيما Transformer، على تسلسلات البروتين. بفضل هذه التطورات، أصبحت نماذج لغة البروتين (PLMs) موارد مهمة لمهام متنوعة مثل التنبؤ بعائلة البروتين، الوظيفة، الذوبانية، الموقع الخلوي، التفاعلات الجزيئية والتجانس البعيد. ومع ذلك، فإن حجم أفضل نماذج PLMs (التي يمكن أن تصل إلى 15 مليار معلمة) يتطلب قوة حوسبة كبيرة. تعالج قاعدة بيانات أبعاد البروتين هذه العنق الزجاجي الحرج من خلال توفير مورد مركزي، محكوم بالإصدارات من التضمين المسبق للبروتينات، وتعليقات وظيفة جزيئية تم التحقق منها تجريبياً، وترميزات تصنيفية. يتم دمج التضمينات من سبعة نماذج PLMs متطورة، بما في ذلك ProtT5 و ESM2 و Ankh لجميع البروتينات في Swiss-Prot/UniProt. تم مقارنة هذه النماذج من خلال اختبار تنبؤ وظيفة الجزيئات. كشفت الاختبارات أن التضمينات الهجينة (مثل Ankh Base + ProtT5) تفوقت على الأساليب ذات النموذج الواحد مع زيادات طفيفة في الأبعاد. زادت الترميزات التصنيفية الأداء بمقدار 2.9% AUPRC، مما يدل على التعلم المدعوم بالنسب. من خلال توفير التضمينات بتنسيق Parquet - مخزن عمودي مُحسَّن لعمليات التعلم الآلي - تقضي المورد على معالجة البيانات المعتمدة على GPU وتقلل متطلبات التخزين. يمكّن هذا الاستخدام الفوري في البيئات ذات الموارد المحدودة مع الحفاظ على التوافق العكسي من خلال الإصدارات المحدثة. جميع مجموعات البيانات متاحة مجانًا عبر Github وHuggingFace، مع بيانات وصفية موحدة تتيح التطبيقات من التعليقات الوظيفية إلى الدراسات التطورية. تجسر قاعدة بيانات أبعاد البروتين الفجوة بين نماذج PLMs المتطورة والبحث البيولوجي العملي، مما يوفر للباحثين مدخلات موحدة لتحليل البروتين متعدد الوسائط القابل للتكرار.
درس سوبريو وآخرون (الأربعاء) هذا السؤال.