تعتبر هذه الدراسة خطوة مهمة نحو تحسين التنبؤات بتفاعلات البروتينات (PPI)، وهي أساس لفهم الجينوميات الوظيفية واكتشاف آليات الأمراض وتطوير الأدوية. غالبًا ما تواجه النماذج التقليدية صعوبة في التعامل مع البروتينات الجديدة التي لم تُعرف أي من تفاعلاتها السابقة، حيث تصبح معلومات الشبكة وحدها غير كافية. هنا يأتي الابتكار الكبير من خلال تقديم إطار العمل المعروف باسم MKGR، والذي يمكنك من إجراء تنبؤات دقيقة حتى في ظلما يعرف باسم "بداية باردة" (cold-start).

يجمع MKGR بين ترميز تسلسل البروتينات الذي يأخذ في الاعتبار مناطق محددة في البروتينات، بالإضافة إلى أربعة رسوم بيانية طبية مركزية تتعلق بالبروتينات، بما في ذلك روابط البروتينات بالأدوية والأمراض ومجموعة من الارتباطات الأخرى. يعمل فرع التسلسل على استخراج تمثيلات سياقية استنادًا إلى بنية البروتين، بينما يتعلم مشفر الانتباه المحمول على الشبكة تمثيلات مخصصة للبروتينات من الروابط الطبية النادرة.

مستهدفًا تحسين الأداء، يقوم الإطار أيضًا بتطبيق هدف إعادة بناء الجسور، مما يقوي عملية التعلم المعتمد على الرسوم البيانية عبر استعادة الروابط المشتركة بين البروتينات والكيانات. كما تقوم وحدة التحكم في مستوى الزوج بمزج الأدلة من تسلسل البروتينات والبيانات البيانية بشكل ديناميكي لكل زوج من البروتينات المدروسة.

وتظهر التجارب على مجموعتين مرجعيتين تحقيق MKGR لمعدلات أداء فائقة مقارنة بالنماذج التقليدية في ظل مختلف السيناريوهات، مما يفتح آفاقًا جديدة في مجالات الجينوميات وتطوير الأدوية.