Prot2Text: Multimodal Protein's Function Generation with GNNs and Transformers

Prot2Text: Multimodal Protein's Function Generation with GNNs and Transformers

1. 本研究の学術的背景，研究課題の核心をなす学術的「問い」は？

• 生物学的システムの複雑性により、生物学の理解は不可能な使命の一環とされてきた。そのため、タンパク質の機能予測など、複数のレベルの課題が生じている。本研究では、タンパク質の機能予測方法に取り組む。

1. 本研究の目的及び学術的独自性と創造性は？

• 本研究では、既存のタンパク質の分類問題にとどまらず、自由なテキスト形式でタンパク質の機能を予測するプログラム\textbf{Prot2Text}を提案する。タンパク質の構造やアノテーションに加え、大規模言語モデル(LLMs)やグラフニューラルネットワーク(GNNs)を組み合わせたマルチモーダルなアプローチを採用することで、従来の分類問題以上に詳細で正確な記述を提供することを目指す。このようなマルチモーダルなアプローチは、タンパク質の機能予測において、新たな手法を提供する。

1. 本研究の着想に至った経緯や、関連する国内外の研究動向と本研究の位置づけは？

• 過去に、タンパク質の機能予測には、主に既知の類似タンパク質の分類や、単純な特徴量手法などが利用されてきた。しかし、これらの手法は予測精度が低かった。近年は、機械学習や深層学習を用いた手法が注目されており、新たな手法が提案されている。

1. 本研究で何をどのように、どこまで明らかにした？

• 本研究では、タンパク質の機能予測におけるテキスト形式の手法である\textbf{Prot2Text}を提案した。この手法は、グラフニューラルネットワーク(GNNs)と大規模言語モデル(LLMs)を組み合わせることで、より正確かつ詳細なタンパク質の機能を記述することができる。

1. 本研究の有効性はどのように検証した？

• 本研究では、SwissProtというデータセットを用いて、\textbf{Prot2Text}の効果を検証した。その結果、マルチモーダルなアプローチが、タンパク質の機能予測精度向上に有効であることが示された。