نموذج لغوي كبير متعدد الوسائط يمكّن من التنبؤ بوظائف البروتينات

الملخص إن التنبؤ بوظائف البروتينات يمكن أن يسرع بشكل كبير الاكتشافات البيولوجية والتطبيقات، حيث أظهرت طرق التعلم العميق مؤخراً إمكانيات كبيرة. ومع ذلك، فإن هذه الطرق تتوقع في المقام الأول وظائف البروتينات كفئات منفصلة، مما يفشل في التقاط الطبيعة المعقدة والدقيقة لوظائف البروتينات. علاوة على ذلك، تتطلب الطرق الحالية تطوير نماذج منفصلة لكل مهمة توقع، وهي عملية يمكن أن تكون كثيفة الموارد وتستغرق وقتاً طويلاً. هنا، نقدم ProteinChat، نموذج لغوي كبير متعدد الوسائط ومتعدد الاستخدامات يأخذ تسلسل الأحماض الأمينية للبروتين كمدخل ويولد روايات شاملة تصف وظيفته. تم تدريب ProteinChat باستخدام أكثر من 1,500,000 مجموعة ثلاثية (بروتين، تلميح، إجابة) مختارة من مجموعة بيانات Swiss-Prot، تغطي وظائف متنوعة. يمكن لهذا النموذج الجديد بشكل عالمي التنبؤ بمجموعة واسعة من وظائف البروتينات، وكل ذلك ضمن إطار عمل موحد واحد. وعلاوة على ذلك، يدعم ProteinChat الحوارات التفاعلية مع المستخدمين البشر، مما يسمح بتحسين تدريجي للتوقعات واستكشاف أعمق لوظائف البروتينات. تظهر نتائجنا التجريبية، التي تم تقييمها من خلال تقييمات من خبراء بشريين ومقاييس مؤتمتة، أن ProteinChat يتفوق على نماذج اللغة العامة مثل GPT-4، وهو أحد النماذج الرائدة، بأكثر من عشرة أضعاف. بالإضافة إلى ذلك، يتفوق ProteinChat أو يطابق أداء نماذج التوقع الخاصة بالمهام.