تظل عملية تصنيف النشاط في المجال البحثي تحديًا كبيرًا خاصة بسبب التغييرات الهيكلية المحلية التي قد تؤدي إلى تفاوتات ملحوظة في النشاط. ومن هنا، خرجت فكرة عمل إطار CliffRank، الذي يمثل قفزة نوعية في كيفية الاستفادة من بيانات النشاط المتاحة بشكل أكثر فعالية.

يجمع هذا الإطار بين انحدار النشاط المطلق (absolute-activity regression) وتعلم اتساق الترتيب (ranking-consistency learning)، حيث يقوم بإعداد متنبئين متوازيين باستخدام متوسط مربع الخطأ (mean squared error) وخسارة مدروسة (thresholded listwise loss) وتوافق تفضيلات الأزواج (Pairwise Preference Consistency - PPC). يهدف كل ذلك إلى تحقيق توافق نسبي في ترتيب البيانات ضمن فضاء احتمالات التفضيل.

في نتائج التجارب على ثلاث مجموعات بيانات للببتيدات المضادة للبكتيريا، حقق CliffRank باستخدام نموذج ESM2-t12 أعلى ارتباط Spearman بلغ 0.5393 مع معدل تذكير بلغ 21.4، رغم أن الطريقة الرائدة اختلفت بين المجموعات.

عند اختبار ثلاث مجموعات بيانات لمركبات صغيرة، أظهر CliffRank مع PNA، بعد تفعيل PPC بعد 120 حقبة، أفضل ارتباط Spearman بمعدل 0.6890، بينما كان معدل التذكير متطابقًا مع ACANet-PNA بمعدل 30.4.

تظهر نتائج PPC الحدود العملية لهذا النموذج. على الرغم من أن التحسين غير المتناظر قد أدى إلى تحسين متوسطات MolCLR-GIN، إلا أنه لم يفد كل هدف. وأيضاً، من دون أوزان مسبقة التدريب، أدى PPC المتأخر إلى تحسين بعض المقياسات، لكن لم يكن هناك جدول زمني مثالي يجمع بين أعلى ارتباط وتذكير.

يتعين على الأبحاث المستقبلية تقييم أهداف أكثر وأنظمة جديدة من الببتيدات المضادة للبكتيريا، وتطوير جداول PPC التكيفية، وإدراج سياق البروتين أو الغشاء عند توفره.