TỐI ƯU HÓA DỰ ĐOÁN TƯƠNG TÁC PROTEIN-PROTEIN TỪ BIỂU DIỄN NGÔN NGỮ THÔNG QUA CƠ CHẾ CHỌN LỌC ĐẶC TRƯNG ĐA GIAI ĐOẠN VÀ HỌC MÁY XẾP CHỒNG

jos.hueuni.edu.vn Tập 134, Số 2A, 2025 43 quá trình chọn lọc có chủ đích giúp ổn định ranh giới quyết định giữa các lần kiểm định chéo. Thử nghiệm loại trừ các tầng chọn lọc đặc trưng cũng củng cố nhận định này, khi cấu hình đầy đủ của E–StackPPI ổn định vượt trội so với các biến thể chỉ sử dụng một hoặc hai tầng chọn lọc. Ý nghĩa của kết quả không chỉ nằm ở việc cải thiện các chỉ số đánh giá, mà còn ở việc củng cố một triết lý thiết kế mô hình khác cho các bài toán sinh học có lượng dữ liệu hạn chế: thay vì gia tăng độ phức tạp của kiến trúc, hiệu năng cao có thể đạt được thông qua việc tổ chức lại và tinh lọc không gian biểu diễn. Đây là hướng đi phù hợp với nhiều bài toán trong khoa học sự sống hiện nay, nơi dữ liệu lớn không phải lúc nào cũng sẵn có và chi phí huấn luyện mô hình sâu là một rào cản thực tế. Trong tương lai, có ba hướng mở rộng tự nhiên. Thứ nhất, mở rộng quy trình chọn lọc đặc trưng sang các mô hình ngôn ngữ protein thế hệ mới như ESM–3, ProtT5 hoặc các mô hình tích hợp thông tin không gian–thời gian. Thứ hai, áp dụng E–StackPPI cho các bài toán tương tác sinh học khác như protein–DNA, protein–RNA hoặc tương tác thuốc–protein, nơi vấn đề dư thừa đặc trưng cũng là một thách thức nổi bật. Thứ ba, phân tích sâu hơn cấu trúc của không gian biểu diễn trước và sau khi chọn lọc nhằm nhận diện các nhóm chiều mang ý nghĩa sinh học, từ đó mở ra tiềm năng diễn giải mô hình ở mức phân tử. Mặc dù đạt hiệu năng cao, E–StackPPI vẫn đối mặt với một số giới hạn. Thứ nhất, việc tuyến tính hóa không gian nhúng theo chiều dài chuỗi có thể làm thất thoát các tín hiệu không

gian ba chiều quan trọng tại bề mặt tiếp xúc. Thứ hai, các ngưỡng chọn lọc hiện tại vẫn là tham số tĩnh, chưa thích nghi linh hoạt với các phân bố dữ liệu có độ dị biến cao. Thứ ba, chiến lược ghép cặp thông qua nối véc tơ trực tiếp chưa khai thác được các mối quan hệ phi tuyến phức tạp hơn giữa hai protein. Đây là những tiền đề quan trọng để tiếp tục cải thiện trong các nghiên cứu sau. Tóm lại, E–StackPPI cho thấy rằng việc kết hợp biểu diễn nhúng từ mô hình ngôn ngữ protein với một quy trình chọn lọc đặc trưng được thiết kế chặt chẽ có thể đạt hiệu năng ngang bằng hoặc vượt qua nhiều mô hình học sâu phức tạp, đồng thời bảo đảm tính ổn định và khả năng khái quát tốt. Đây là một nền tảng hứa hẹn cho các ứng dụng dự đoán tương tác sinh học trong tương lai. Bộ dữ liệu và mã nguồn Toàn bộ bộ dữ liệu và mã nguồn được công khai tại đây: https://github.com/mxuanvan02/EStack-PPI.