في عالم البيولوجيا الجزيئية، يمثل تحلل البروتينات أحد المسارات الأساسية لتنظيم النشاط الخلوي. يزداد الاهتمام بتقنيات مثل chimera المستهدفة لتحلل البروتينات (PROTACs) التي تعمل على تحفيز عملية التحلل من خلال تعزيز استقطاب البروتين المستهدف إلى E3 ubiquitin ligase. لكن في ظل وجود آلاف السجلات في قواعد البيانات العامة، فقط نسبة ضئيلة يملك بيانات كافية حول التدهور.

الآن، يظهر إطار جديد يدعى DegradeQuery كحل مبتكر لمواجهة هذه المشكلة. يعتمد هذا الإطار على تقنية التوقع السياقي، حيث يقوم بتحويل السجلات غير المعلومة إلى إشارات للتدريب، مما يسهل التعلم من العلاقات الكيميائية الحيوية المسجلة.

تستخدم DegradeQuery هدف التدريب التبادلي للمقارنة بين التواريخ المسجلة والبدائل التي تتشكل عن طريق استبدال الهدف أو E3 ligase أو كليهما. هذه الطريقة تساعد النموذج على فهم الروابط السياقية دون الحاجة لتعيين تسميات مزيفة للنشاط.

تجارب الأداء على مجموعة بيانات PROTAC-8K أظهرت أن DegradeQuery حقق قيمة مرتفعة تحت منحنى ROC بلغت 0.9065 ودقة تلامس 0.8500، متفوقة بذلك على الأساليب الحالية. التحليل الدقيق أوضح أن التحسن يعود أساسًا إلى التدريب على مستوى التواريخ، مما يعني أن تلك البيانات غير المعلومة تحتوي على إشراف علاقاتي قيم.

يسلط هذا البحث الضوء على أهمية استخدام البيانات غير المعلمة في تطوير توقعات التدهور باستخدام تقنيات التعلم العميق، مما يقدم طريقاً عملياً للتعامل مع نقص البيانات التجريبية.