في عالم البحوث الجزيئية وأبحاث الذكاء الاصطناعي، يعد توقع استهداف miRNA لجزيئات mRNA أحد أكبر التحديات. وفي محاولة لتجاوز الطرق التقليدية، تم تقديم نموذج PAIR-Former، الذي يمثل خطوة متقدمة في هذا المجال.

يعمل PAIR-Former على حل مشكلة التنبؤ عن طريق التركيز على نماذج التعلم المتعددة الحالات حيث يتم التعامل مع كل تسلسل كبساطة، لكن مع وجود مجموعة واسعة من مواقع الاستهداف المحتملة. ومع ذلك، تعتمد دقة التنبؤ بشكل كبير على التعرف على الأنماط والعلاقات بين هذه المواقع.

تحديات كبيرة كانت تواجه النموذج السابق بسبب تكاليف معالجة البيانات. كان استخدام الطرق التقليدية يؤدي إلى تكاليف حسابية مرتفعة وغير مجدية عندما تزداد الأعداد. لذا، قدم الباحثون مفهوم جديد يُعرف باسم “Budgeted Relational Multi-Instance Learning (BR-MIL)”، حيث يتم تحديد ميزانية معينة لتكاليف المعالجة، مما يمكّن من اختيار عدد مختار من الحالات التي سيتم تحليلها بعمق.

من خلال هذا المفهوم، تم تصميم نموذج PAIR-Former ، الذي يقوم بعملية مسح أولية للجميع مقومات الاستهداف وبطريقة اقتصادية، ثم يختار مجموعة متنوعة من تلك المقومات لمعالجتها بدقة بواسطة تقنية Set Transformer. أثبت النموذج كفاءته العالية، حيث حقق نتائج مذهلة مثل F1=0.840 على مجموعة بيانات miRAW، وهو رقم قياسي في هذا المجال.

باستخدام أساليب جديدة، أثبت PAIR-Former أنه ليس فقط مفهومًا مبتكرًا لمقارنة المواقع الجزيئية بل يمكن استخدامه أيضًا في مجالات أخرى مثل نمذجة تسلسلات البيولوجيا.

هذا التطور يفتح الآفاق لمزيد من الأبحاث والابتكارات في علم الأحياء الجزيئي وتطبيقات الذكاء الاصطناعي.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.