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

Mai Xuân Văn và CS. Tập 134, Số 2A, 2025 30 hóa PSSM (Position-Specific Scoring Matrix) để tạo ra biểu diễn tần số, từ đó thu được thông tin dựa trên biên độ và pha tức thời. Kết quả cho thấy việc tổ chức lại đặc trưng theo một cấu trúc phù hợp có thể cải thiện đáng kể hiệu năng của mô hình, thậm chí trong nhiều trường hợp còn mang lại lợi ích đáng kể so với việc gia tăng độ sâu của mạng. Sự xuất hiện của các mô hình ngôn ngữ protein (Protein Language Model – PLM), tiêu biểu là ESM-2 [16] và ProtT5 [17], đã đánh dấu một bước ngoặt quan trọng. Các mô hình này được huấn luyện tự giám sát trên tập dữ liệu chuỗi lớn và học cách mã hóa mỗi protein thành một dạng biểu diễn nhúng đa chiều, trong đó thông tin tiến hóa, cấu trúc và chức năng được tích hợp dưới dạng đặc trưng tiềm ẩn. Những biểu diễn này đã chứng minh hiệu quả trong nhiều hướng ứng dụng kế tiếp, đặc biệt là các bài toán dự đoán dựa trên chuỗi, bao gồm cả dự đoán PPI. Công trình xCAPT5 của Thanh Hai Dang và Tien Anh Vu [18] cũng cho thấy biểu diễn nhúng T5-XL-UniRef50 có thể vượt trội so với toàn bộ phương pháp dựa trên đặc trưng thủ công. Tuy vậy, việc đưa trực tiếp biểu diễn nhúng có số chiều lớn vào mô hình truyền thống đối mặt với hai thách thức lớn. Thách thức thứ nhất liên quan đến sự bùng nổ số chiều (dimensionality explosion) khi mà một chuỗi protein từ ESM-2 có thể được mã hóa thành véc tơ dài hơn một nghìn chiều; khi ghép cặp để biểu diễn tương tác, số chiều có thể tăng gấp đôi. Trong số đó, chỉ một phần nhỏ thực sự mang tín hiệu phân loại, phần còn lại chủ yếu gây nhiễu hoặc

trùng lặp, tạo ra nguy cơ quá khớp và tăng chi phí tính toán. Điều này đặc biệt nghiêm trọng khi làm việc với các bộ dữ liệu sinh học có kích thước mẫu hạn chế so với số lượng đặc trưng, hệ quả là sự bùng nổ dữ liệu dẫn đến hiện tượng "lời nguyền số chiều" (curse of dimensionality), gây trở ngại lớn cho quá trình tối ưu hóa mô hình. Thách thức thứ hai chính là khả năng lý giải rõ ràng và minh bạch, vì việc đưa toàn bộ véc tơ nhúng vào một bộ phân loại phi tuyến mạnh sẽ làm cho quy trình khó kiểm soát và khó đánh giá vai trò của từng thành phần. Trong bối cảnh này, bước chọn lọc đặc trưng (feature selection) đóng vai trò như một tầng điều tiết cần thiết giữa PLM và bộ phân loại. Ding và cộng sự [19] đã đề xuất chiến lược chọn lọc hai giai đoạn dựa trên rừng ngẫu nhiên và thuật toán di truyền (genetic algorithm – GA), điều này cho thấy việc kết hợp nhiều chiến lược chọn lọc có thể tạo ra tập đặc trưng gọn nhưng vẫn giàu thông tin. Các tổng quan gần đây [20, 21] cùng kết quả từ bộ chuẩn PEER [22] đều khẳng định rằng việc chuẩn hóa và chọn lọc đặc trưng là bước không thể thiếu khi xử lý biểu diễn nhúng từ PLM. Trong nghiên cứu này, chúng tôi kế thừa ưu thế biểu diễn của PLM nhưng đồng thời bổ sung một quy trình chọn lọc đặc trưng theo tầng nhằm nén bớt chiều, giảm nhiễu và tái cấu trúc không gian đặc trưng theo hướng phù hợp hơn cho nhiệm vụ phân loại. Trên cơ sở này, chúng tôi xây dựng E–StackPPI, một khung dự đoán PPI hoàn toàn dựa trên biểu diễn nhúng, trong đó thông tin từ ESM-2 được đưa qua ba bước chọn lọc liên tiếp trước khi đi vào hai nhánh mô hình

LightGBM chạy song song và cuối cùng được kết hợp tại tầng quyết định bằng hồi quy logistic