TooTranslator: Zero-Shot Classification of Specific Substrates for Transport Proteins by Language Embedding Alignment of Proteins and Chemicals
Notice bibliographique
Résumé
Abstract Transmembrane transport proteins mediate selective movement of ions and metabolites across membranes. Experimental characterization of their substrate specificity is limited. For novel class discovery with limited data, zero-shot learning aims to assign labels to test samples whose label has not been seen previously during training of the model. We introduce TooTranslator, a regression-based model that aligns embeddings from pre-trained protein (ProtBERT), chemical (ChemBERTa), and text (SciB-ERT) language models into a shared latent space, enabling substrate prediction by minimizing distances between protein and substrate embeddings. TooTranslator tackles zero-shot learning for the task of predicting the specific substrate of transmembrane transport proteins. Models using four loss functions are evaluated on protein test sets with seen and unseen substrates. We find no statistically significant difference in performance of the four loss functions. For tests with seen substrates, the models compare with the state-of-the art in performance. For tests with unseen (but known) substrate a top- k approach is needed as only 4.3% of test cases predict the correct label as the nearest label. For top-10 that rises to 17%; for top-50 rises to 54%, and top-100 reaches 80%. TooTranslator demonstrates the potential of multimodal embedding alignment for open-world protein function inference.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».