MMPG: Mehrperspektivische Graphfusion mit MoE revolutioniert Proteinrepräsentation

Graph Neural Networks (GNNs) sind inzwischen Standardwerkzeuge für die Proteinrepräsentation, weil die Wechselwirkungen zwischen Aminosäuren sich natürlicherweise als Graphen darstellen lassen. Traditionelle GNN‑Ansätze bauen jedoch meist nur einen einzigen Graphen pro Protein, wodurch nur ein Teil der relevanten Interaktionsmerkmale erfasst wird.

Um diese Einschränkung zu überwinden, stellt das neue Framework MMPG (Multi‑Perspective Graph Fusion) einen komplett anderen Ansatz vor. Dabei werden für jedes Protein Graphen aus drei unterschiedlichen Blickwinkeln – physikalisch, chemisch und geometrisch – erstellt, um verschiedene Eigenschaften der Residueninteraktionen abzubilden.

Das Herzstück von MMPG ist ein Mixture‑of‑Experts‑Modul, das die einzelnen Perspektiven dynamisch an spezialisierte Experten weiterleitet. Jeder Experte lernt dabei sowohl die eigenspezifischen Merkmale als auch die Wechselwirkungen zwischen den Perspektiven. Durch diese mehrstufige Integration entsteht ein globales Konsensmodell, das die Stärken aller Blickwinkel nutzt.

Quantitative Tests zeigen, dass MMPG die Proteinrepräsentationen deutlich verbessert und auf vier unterschiedlichen Nachbearbeitungsaufgaben überlegene Leistungen erzielt. Damit bietet MMPG einen vielversprechenden Weg, um die Analyse von Proteinen noch präziser und umfassender zu gestalten.