단백질-단백질 결합 인터페이스를 예측하는 것은 생물학적 기전을 이해하고 새로운 치료 중재를 개발하는 데 필수적이지만, 계산적 복잡성과 라벨 불균형 문제로 인해 여전히 어려운 과제로 남아 있다. 이러한 한계를 해결하기 위해, 우리는 단백질 결합 인터페이스를 예측하기 위한 하이브리드 로컬-글로벌 그래프 신경망(Hybrid Local-Global Graph Neural Network, HLG-GNN) 프레임워크를 제안한다. 이 프레임워크는 메시지 패싱 신경망(message passing neural network, MPNN)과 상태 공간 모델(state space models, SSMs)을 통합하여 예측을 수행한다. 장거리 의존성을 효율적으로 처리하는 SSM을 포함함으로써, 단백질 구조 내에서의 전역 의존성과 국소 상호작용 패턴을 모두 포착한다. 또한 단백질 결합 인터페이스 예측에서 흔히 나타나는 라벨 불균형 문제를 해결하기 위해 앙상블 학습 기법을 활용한다. 우리의 모델은 기존의 MPNN을 능가하며, DIPS 도킹 벤치마크 데이터셋에서 AUC 0.967을 달성한다. 이러한 결과는 HLG-GNN 프레임워크를 통해 국소 및 전역 특징을 통합하는 것이 보다 정확한 단백질 결합 인터페이스 예측을 가능하게 함을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.