مع التقدم السريع في تقنيات التنبؤ بهياكل البروتين والنمو المتفجر للبيانات الهيكلية المتوقعة، تكافح الطرق الحالية لتقدير دقة النموذج (EMA) لتحقيق التوازن بين الكفاءة الحسابية وأداء التقدير. هنا، نقدم MViewEMA، وهي طريقة EMA أحادية النموذج تستفيد من إطار تعلم التمثيل متعدد المناظر لدمج ميزات تفاعل بقايا البروتين من مستويات الميكرو-بيئة والميزو-بيئة والماكرو-بيئة لتقييم الدقة العالمية لنماذج البروتين المعقدة. تظهر نتائج التقييم أن MViewEMA تتفوق على أحدث طرق EMA في تقييم الدقة العالمية، محققة تحسناً يتجاوز 10 أضعاف في الكفاءة الحسابية مقارنةً بالطريقة السابقة لدينا، DeepUMQA3. تمكن هذه الطريقة من اختيار نماذج عالية الجودة من البروتين المعقد من مجموعات بيانات هيكلية واسعة النطاق وحققت أداءً متميزاً في مسارات اختيار النموذج خلال اختبار CASP16 الأعمى، مما يدل على إمكاناتها في تحسين دقة التنبؤ بالهياكل المعقدة عندما يتم دمجها في أطر حديثة مثل AlphaFold-Multimer و AlphaFold3 و DiffDock-PP.
درس ليو وآخرون (سون،) هذا السؤال.