💻 bioinformatics

Sequence-Driven Drug-Target Affinity Prediction Via Graph Attention Networks and Bidirectional Cross-Attention Fusion

XAttn-DTA एक अनुक्रम-संचालित (sequence-driven) ढांचा है जो ड्रग एनकोडिंग के लिए ग्राफ अटेंशन नेटवर्क और प्रोटीन प्रतिनिधित्व के लिए ESM2-व्युत्पन्न अवशेष ग्राफ का लाभ उठाता है, जिन्हें द्विदिश क्रॉस-अटेंशन (bidirectional cross-attention) के माध्यम से संलयित किया जाता है, ताकि प्रयोगात्मक संरचनात्मक डेटा पर निर्भर किए बिना स्टेट-ऑफ-द-आर्ट ड्रग-टारगेट एफिनिटी भविष्यवाणी और कोल्ड-स्टार्ट परिदृश्यों में उत्कृष्ट सामान्यीकरण प्राप्त किया जा सके।

मूल लेखक: Kudari, Z., Kaira, V. S., P, S. S., Bhat, R., Gnana Sekaran, J.

प्रकाशित 2026-04-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kudari, Z., Kaira, V. S., P, S. S., Bhat, R., Gnana Sekaran, J.

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक मैचमेकर (जोड़ी बनाने वाले) हैं जिसे दो बहुत अलग लोगों को जोड़ने का काम दिया गया है: एक ड्रग (एक छोटा, जटिल अणु) और एक टारगेट (आपके शरीर में एक बड़ा प्रोटीन)। आपका लक्ष्य यह अनुमान लगाना है कि वे आपस में कितनी अच्छी तरह "क्लिक" करेंगे या एक-दूसरे से जुड़ेंगे। यदि वे बहुत ढीले जुड़ते हैं, तो दवा काम नहीं करेगी। यदि वे बहुत कसकर जुड़ते हैं, तो इससे साइड इफेक्ट्स हो सकते हैं। एक आदर्श मिलान खोजना ही नई दवाएं बनाने का 'होली ग्रेल' (अत्यधिक मूल्यवान लक्ष्य) है।

लंबे समय तक, वैज्ञानिकों ने इसे प्रोटीनों के 3D ब्लूप्रिंट (जैसे वास्तुशिल्प रेखाचित्र) को देखकर करने की कोशिश की। लेकिन समस्या यह है कि: हमारे पास अधिकांश प्रोटीनों के ब्लूप्रिंट नहीं हैं। यह एक ऐसी चाबी को ताले से मिलाने जैसा है जब आपने कभी उस ताले को देखा ही न हो, केवल उसकी एक धुंधली फोटो देखी हो।

यह पेपर XAttn-DTA नामक एक नया AI सिस्टम पेश करता है जो बिना 3D ब्लूप्रिंट की आवश्यकता के इस समस्या को हल करता है। यह कैसे काम करता है, यहाँ सरल भाषा में समझाया गया है:

1. दो मुख्य पात्र

द ड्रग (चाबी): केवल ड्रग का रासायनिक नाम (जैसे अक्षरों की एक स्ट्रिंग) पढ़ने के बजाय, AI ड्रग को कनेक्शन का एक 2D मैप में बदल देता है। इसे एक सबवे मैप की तरह समझें जहाँ स्टेशन परमाणु (atoms) हैं और लाइनें बॉन्ड्स (बंध) हैं। यह AI को ड्रग के नाम के बजाय उसके आकार और संरचना को देखने में मदद करता है।
द प्रोटीन (ताला): चूंकि हमारे पास 3D ब्लूप्रिंट नहीं है, इसलिए AI एक "क्रिस्टल बॉल" का उपयोग करता है जिसे ESM2 कहा जाता है। यह एक सुपर-स्मार्ट AI है जिसने लाखों प्रोटीन सीक्वेंस पढ़े हैं। यह भविष्यवाणी करता है कि प्रोटीन के कौन से हिस्से 3D स्पेस में एक-दूसरे के करीब होने की संभावना रखते हैं, भले ही यह केवल टेक्स्ट सीक्वेंस को देख रहा हो। यह एक कॉन्टैक्ट मैप (contact map) बनाता है, जो एक "दोस्ती नेटवर्क" की तरह है जो दिखाता है कि कौन से अमीनो एसिड एक साथ रहते हैं।

2. सीक्रेट सॉस: "डबल-हेडेड" बातचीत

अधिकांश पुराने सिस्टम ड्रग को देखते थे, फिर प्रोटीन को देखते थे, और फिर परिणाम का अनुमान लगाते थे। यह दो लोगों के अलग-अलग कमरों में बैठने, नोट्स लिखने और फिर यह अनुमान लगाने जैसा है कि दूसरा व्यक्ति क्या सोच रहा होगा।

XAttn-DTA अलग है। यह एक बाइडायरेक्शनल क्रॉस-अटेंशन (Bidirectional Cross-Attention) मैकेनिज्म का उपयोग करता है।

एक डांस फ्लोर की कल्पना करें: अलग खड़े रहने के बजाय, ड्रग और प्रोटीन एक ही डांस फ्लोर पर हैं।
बातचीत: ड्रग पूछता है, "हे प्रोटीन, तुम्हारा कौन सा हिस्सा मेरे बैठने के लिए एक अच्छी जगह जैसा दिखता है?" प्रोटीन जवाब देता है, "खैर, मेरे पास यहाँ एक आरामदायक कोना है, लेकिन मैं लचीला भी हूँ।"
जादू: वे एक साथ एक-दूसरे से बात करते हैं। ड्रग प्रोटीन के आधार पर अपनी समझ को अपडेट करता है, और प्रोटीन ड्रग के आधार पर अपनी समझ को अपडेट करता है। वे अंतिम भविष्यवाणी करने से पहले यह देखने के लिए लगातार अपने "डांस स्टेप्स" को एडजस्ट करते हैं कि वे एक-दूसरे में कितनी अच्छी तरह फिट बैठते हैं।

3. यह एक बड़ी बात क्यों है (परिणाम)

शोधकर्ताओं ने इस नए सिस्टम का परीक्षण तीन प्रमुख "ड्रग डेटिंग ऐप्स" (डेविस, KIBA और BindingDB नामक डेटासेट) पर किया।

"वॉर्म स्टार्ट" टेस्ट (Warm Start Test): उन्होंने इसका परीक्षण उन प्रोटीनों और ड्रग्स पर किया जिन्हें वे पहले से जानते थे। इसने पिछले सभी चैंपियनों से बेहतर प्रदर्शन किया, और बॉन्ड की मजबूती का अधिक सटीक अनुमान लगाया।
"कोल्ड स्टार्ट" टेस्ट (Cold Start Test - असली चुनौती): यह कठिन हिस्सा है। उन्होंने इसे बिल्कुल नए ड्रग्स और बिल्कुल नए प्रोटीनों पर टेस्ट किया जिन्हें AI ने अपने ट्रेनिंग के दौरान कभी नहीं देखा था।
- उपमा: कल्पना करें कि आप एक छात्र को जानवरों को पहचानना सिखा रहे हैं। एक "वॉर्म स्टार्ट" टेस्ट उनसे एक ऐसे बिल्ली को पहचानने के लिए कहता है जिसे उन्होंने पहले देखा है। एक "कोल्ड स्टार्ट" टेस्ट उनसे एक नई प्रजाति की बिल्ली को पहचानने के लिए कहता है जिसे उन्होंने पहले कभी नहीं देखा, सिर्फ एक तस्वीर देखकर।
- परिणाम: XAttn-DTA इसमें अविश्वसनीय रूप से अच्छा था। यह इतना अच्छी तरह से सामान्यीकृत (generalize) हुआ कि इसने मौजूदा सर्वोत्तम तरीकों की तुलना में भविष्यवाणी की त्रुटियों को 79% तक कम कर दिया। इसने साबित कर दिया कि एक बेहतरीन अनुमान लगाने के लिए आपको 3D ब्लूप्रिंट की आवश्यकता नहीं है; आपको बस प्रोटीन के अंदर के "दोस्ती नेटवर्क" (कॉन्टैक्ट मैप) की अच्छी समझ की आवश्यकता है।

4. रियल-वर्ल्ड चेक-अप

लेखकों ने केवल नंबरों पर ही नहीं रोका। उन्होंने वास्तविक दुनिया के परिदृश्यों में इस AI का परीक्षण किया:

मोटापा की दवाएं (Obesity Drugs): इसने वजन घटाने वाले लक्ष्यों से जुड़ने के लिए दवाओं के जुड़ने की क्षमता की उच्च सटीकता के साथ भविष्यवाणी की।
हृदय रोग की दवाएं (Heart Disease Drugs): यह अधिकांश हृदय रोगों की दवाओं के साथ अच्छा रहा, लेकिन कुछ विशिष्ट दवाओं के साथ संघर्ष किया जो जुड़ने के लिए जिंक (Zinc) (एक धातु) पर निर्भर करती हैं।
- क्यों? AI प्रोटीन के "टेक्स्ट" को पढ़ने में बहुत अच्छा है, लेकिन यह उन धातु आयनों (Zinc) को नहीं "देख" पाता जो एक विशेष गोंद की तरह काम करते हैं। यह यह अनुमान लगाने जैसा है कि चुंबक कैसे काम करता है सिर्फ चुंबक के बारे में एक किताब पढ़कर—आप सिद्धांत तो जानते हैं, लेकिन आप भौतिक बल को मिस कर देते हैं।

निचोड़ (The Bottom Line)

XAttn-DTA एक बड़ी सफलता है क्योंकि यह वैज्ञानिकों को उन प्रोटीनों के लिए नई दवाएं डिजाइन करने की अनुमति देता जिनके लिए अभी तक कोई 3D स्ट्रक्चर उपलब्ध नहीं है। यह ड्रग के आकार और प्रोटीन के अनुमानित आंतरिक कनेक्शनों के बीच एक "बातचीत" का उपयोग करके यह भविष्यवाणी करता है कि वे एक साथ कितनी अच्छी तरह काम करेंगे।

यह एक ऐसे मैचमेकर होने जैसा है जिसे यह जानने के लिए किसी व्यक्ति की फोटो की आवश्यकता नहीं है कि वे एक अच्छी जोड़ी हैं या नहीं; उसे बस उनके व्यक्तित्व के गुणों और दूसरों के साथ उनके व्यवहार को जानने की आवश्यकता है। यह ड्रग डिस्कवरी की प्रक्रिया को काफी तेज कर सकता है, खासकर उन बीमारियों के लिए जहाँ हमारे पास अभी तक लक्ष्यों के "ब्लूप्रिंट" नहीं हैं।

यहाँ शोध पत्र "Sequence-Driven Drug-Target Affinity Prediction Via Graph Attention Networks and Bidirectional Cross-Attention Fusion" (XAttn-DTA) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

ड्रग-टारगेट एफिनिटी (DTA) की भविष्यवाणी करना कम्प्यूटेशनल ड्रग डिस्कवरी में एक महत्वपूर्ण बाधा है। मौजूदा दृष्टिकोणों के सामने दो प्राथमिक सीमाएँ हैं:

संरचना-आधारित विधियाँ (Structure-based methods): ये प्रयोगात्मक रूप से निर्धारित प्रोटीन निर्देशांकों (X-ray, Cryo-EM) पर निर्भर करती हैं, जो अधिकांश ड्रग-संबंधित लक्ष्यों (targets) के लिए उपलब्ध नहीं होते हैं।
केवल-अनुक्रम विधियाँ (Sequence-only methods): ये आमतौर पर दवाओं को रैखिक SMILES स्ट्रिंग्स के रूप में और प्रोटीनों को अमीनो एसिड अनुक्रमों के रूप में दर्शाती हैं। ये दृष्टिकोण उन स्थानिक निकटता संबंधों (spatial proximity relationships) और ग्राफ टोपोलॉजी (परमाणु बंध, अवशेष संपर्क) को स्पष्ट रूप से एनकोड करने में विफल रहते हैं जो आणविक अंतःक्रियाओं को नियंत्रित करते हैं।
सामान्यीकरण अंतराल (Generalization Gap): वर्तमान मॉडल अक्सर "कोल्ड-स्टार्ट" परिदृश्यों में संघर्ष करते हैं जहाँ मॉडल को उन पूरी तरह से नए ड्रग स्कैफोल्ड्स या प्रोटीन परिवारों के लिए एफिनिटी की भविष्यवाणी करनी होती है जो प्रशिक्षण के दौरान नहीं देखे गए थे।

2. कार्यप्रणाली: XAttn-DTA फ्रेमवर्क (Methodology: XAttn-DTA Framework)

लेखक XAttn-DTA का प्रस्ताव करते हैं, जो एक अनुक्रम-संचालित (sequence-driven) फ्रेमवर्क है जो केवल अनुक्रम डेटा से संरचनात्मक निरूपण (structural representations) बनाता है, जिससे प्रयोगात्मक 3D संरचनाओं की आवश्यकता समाप्त हो जाती है। यह पाइपलाइन चार मुख्य घटकों से बनी है:

A. ड्रग निरूपण (ग्राफ निर्माण) (Drug Representation - Graph Construction)

इनपुट: SMILES स्ट्रिंग्स।
ग्राफ निर्माण: अणुओं को 2D आणविक ग्राफ ( $G_m$ ) में परिवर्तित किया जाता है जहाँ नोड्स भारी परमाणु (heavy atoms) हैं और किनारे (edges) सहसंयोजक बंध (covalent bonds) हैं।
विशेषताएँ (Features):
- नोड विशेषताएँ: परमाणु-स्तरीय डिस्क्रिप्टर्स (प्रकार, डिग्री, एरोमैटिसिटी, चार्ज, हाइब्रिडाइजेशन) और अणु-स्तरीय भौतिक-रासायनिक गुणों (LogP, HBA/HBD, TPSA, वॉल्यूम, आदि) का संयोजन।
- एज विशेषताएँ: बॉन्ड प्रकार (सिंगल, डबल, एरोमैटिक, ट्रिपल) जिन्हें वेट्स (weights) के रूप में एनकोड किया गया है।
एनकोडर: एक ग्राफ अटेंशन नेटवर्क (GAT) जिसमें कई परतें और अटेंशन हेड्स हैं, जो परमाणु टोपोलॉजी और स्थानीय रासायनिक वातावरण को कैप्चर करता है।

B. प्रोटीन निरूपण (अनुक्रम-व्युत्पन्न ग्राफ) (Protein Representation - Sequence-Derived Graph)

इनपुट: अमीनो एसिड अनुक्रम।
ग्राफ निर्माण: प्रोटीनों को अवशेष-स्तर (residue-level) के ग्राफ ( $G_p$ $G_{p}$ ) के रूप में दर्शाया जाता है। महत्वपूर्ण रूप से, किनारे (edges) प्रयोगात्मक संरचनाओं से प्राप्त नहीं होते हैं, बल्कि ESM2-अनुमानित संपर्क मानचित्रों (contact maps) से प्राप्त होते हैं।
- संपर्क भविष्यवाणी (Contact Prediction): ESM2 (एक प्रोटीन लैंग्वेज मॉडल) अवशेष-अवशेष संपर्क की संभावना की भविष्यवाणी करता है। यदि संपर्क की संभावना $> 0.5$ है, तो किनारे बनाए जाते हैं।
- विशेषताएँ: नोड विशेषताओं में अवशेष पहचान, हाइड्रोफोबिसिटी स्केल, सॉल्वेंट एक्सेसिबिलिटी, अनुमानित सेकेंडरी स्ट्रक्चर और भौतिक-रासायनिक गुण (pI, pKa) शामिल हैं।
एनकोडर: एक अलग GAT इस ग्राफ को प्रोसेस करता है ताकि सह-विकासवादी संकेतों (coevolutionary signals) और अनुक्रम के भीतर निहित संरचनात्मक टोपोलॉजी को कैप्चर किया जा सके।

C. द्विदिश क्रॉस-अटेंशन फ्यूजन (Bidirectional Cross-Attention Fusion)

सरल कॉनकैटिनेशन (concatenation) के बजाय, मॉडल ड्रग और प्रोटीन एम्बेडिंग को फ्यूज करने के लिए एक द्विदिश क्रॉस-अटेंशन (Bidirectional Cross-Attention) तंत्र का उपयोग करता है:

साझा लेटेंट स्पेस (Shared Latent Space): ड्रग ( $h_m$ ) और प्रोटीन ( $h_p$ ) एम्बेडिंग को एक साझा लेटेंट डायमेंशन $d$ में प्रोजेक्ट किया जाता है।
दोहरा मल्टी-हेड अटेंशन (Dual Multi-Head Attention):
- Molecule $\to$ Protein: ड्रग एम्बेडिंग 'क्वेरी' (Query) के रूप में कार्य करती है, जो जैव रासायनिक संदर्भ को समझने के लिए प्रोटीन के 'की' (Key) और 'वैल्यू' (Value) पर ध्यान केंद्रित करती है।
- Protein $\to$ Molecule: प्रोटीन एम्बेडिंग 'क्वेरी' के रूप में कार्य करती है, जो रासायनिक प्रोफाइल को समझने के लिए ड्रग के 'की' और 'वैल्यू' पर ध्यान केंद्रित करती है।
फ्यूजन (Fusion): क्रॉस-अटेंडेड निरूपणों को ओरिजिनल प्रोजेक्शन के साथ रेसिडुअल कनेक्शन के माध्यम से जोड़ा जाता है, जिससे एक फ्यूज्ड वेक्टर बनता है जो आपसी निर्भरता को एनकोड करता है।

D. प्रेडिक्शन मॉड्यूल (Prediction Module)

फ्यूज्ड रिप्रेजेंटेशन को ReLU एक्टिवेशन और ड्रॉपआउट के साथ एक मल्टी-लेयर पर्सेप्ट्रॉन (MLP) के माध्यम से गुजारा जाता है ताकि अंतिम बाइंडिंग एफिनिटी ( $pK_d$ या KIBA स्कोर में परिवर्तित) को रिgress किया जा सके।

3. प्रमुख योगदान (Key Contributions)

अनुक्रम से संरचना (Structure from Sequence): यह प्रदर्शित करता है कि ESM2-अनुमानित संपर्क मानचित्र प्रयोगात्मक 3D संरचनाओं के स्थान पर प्रभावी रूप से प्रोटीन ग्राफ बनाने के लिए उपयोग किए जा सकते हैं, जो बाइंडिंग के लिए आवश्यक लॉन्ग-रेंज को-इवोल्यूशनरी बाधाओं को कैप्चर करते हैं।
द्विदिश क्रॉस-अटेंशन (Bidirectional Cross-Attention): एक ऐसा फ्यूजन तंत्र पेश करता है जहाँ ड्रग और प्रोटीन निरूपण भविष्यवाणी से पहले गतिशील रूप से एक-दूसरे को सूचित करते हैं, न कि स्टेटिक रूप से फ्यूज होते हैं।
मजबूत कोल्ड-स्टार्ट सामान्यीकरण (Robust Cold-Start Generalization): मॉडल को विशेष रूप से अनदेखे स्कैफोल्ड्स और प्रोटीन परिवारों को संभालने के लिए डिज़ाइन और मूल्यांकित किया गया है, जो वर्तमान DTA मॉडलों की एक बड़ी कमजोरी को संबोधित करता है।
व्यापक बेंचमार्किंग (Comprehensive Benchmarking): तीन डेटासेट्स (Davis, KIBA, BindingDB) पर वार्म-स्टार्ट और सख्त कोल्ड-स्टार्ट प्रोटोकॉल के तहत व्यापक मूल्यांकन।

4. परिणाम (Results)

मॉडल (XAttn-DTA) की तुलना अत्याधुनिक बेसलाइन्स (जैसे DeepDTA, GraphDTA, AttentionMGT-DTA, DTA-GTOmega) के साथ की गई।

A. वार्म-स्टार्ट प्रदर्शन (मानक बेंचमार्क) (Warm-Start Performance)

Davis Dataset: CI = 0.907 और MSE = 0.175 प्राप्त किया।
- सबसे मजबूत बेसलाइन (AttentionMGT-DTA) की तुलना में सुधार: +1.8% CI, -9.3% MSE।
KIBA Dataset: CI = 0.894 और MSE = 0.121 प्राप्त किया।
- बेसलाइन की तुलना में सुधार: -13.6% MSE।
महत्व: मॉडल ने केवल अनुक्रम-व्युत्पन्न संरचनात्मक डेटा का उपयोग करने के बावजूद, संरचना-आधारित बेसलाइन्स (जैसे AlphaFold2 पॉकेट्स का उपयोग करने वाला AttentionMGT-DTA) को भी पीछे छोड़ दिया।

B. कोल्ड-स्टार्ट प्रदर्शन (सामान्यीकरण) (Cold-Start Performance)

सख्त स्प्लिट्स के तहत जहाँ ड्रग्स, टारगेट्स, या दोनों प्रशिक्षण के दौरान अनदेखे थे:

ड्रग कोल्ड-स्टार्ट (Drug Cold-Start): बेसलाइन्स की तुलना में MSE में 37.6% (Davis) और 66.6% (BindingDB) तक की कमी।
टारगेट कोल्ड-स्टार्ट (Target Cold-Start): MSE में 36.2% (Davis) और 79.0% (BindingDB) तक की कमी।
ड्रग-टारगेट कोल्ड-स्टार्ट (Drug-Target Cold-Start): कॉन्कोर्डेंस इंडेक्स (CI) में महत्वपूर्ण सुधार, Davis पर 37.7% तक की बढ़त, जो नवीन अंतःक्रियाओं को रैंक करने की बेहतर क्षमता को दर्शाता है।

C. केस स्टडीज (मोटापा और हृदय रोग) (Case Studies - Obesity & Cardiovascular)

17 नैदानिक रूप से प्रासंगिक प्रोटीन-लिगैंड जोड़ों पर मूल्यांकन किया गया।
प्रदर्शन: प्रयोगात्मक $\Delta G$ के विरुद्ध 1.46 kcal/mol का मीन एब्सोल्यूट एरर (MAE) प्राप्त किया, जो AutoDock Vina (MAE 2.51 kcal/mol) से बेहतर है।
पहचानी गई सीमाएँ (Limitations Identified): मॉडल को जिंक-कोऑर्डिनेटिंग मेटलोएंजाइम्स (जैसे ACE इनहिबिटर्स) और मेम्ब्रेन-बाउंड GPCRs के साथ संघर्ष करने में कठिनाई हुई, जहाँ बाइंडिंग ज्योमेट्री उन धातु आयनों या लिपिड संदर्भों पर निर्भर करती है जो अनुक्रम संपर्क मानचित्रों द्वारा कैप्चर नहीं किए जाते हैं।

5. महत्व और निष्कर्ष (Significance and Conclusion)

पैराडाइम शिफ्ट (Paradigm Shift): XAttn-DTA सिद्ध करता है कि प्रयोगात्मक 3D संरचनाओं के बिना भी उच्च-सटीक DTA भविष्यवाणी संभव है, जो प्रोटीन लैंग्वेज मॉडल्स (ESM2) द्वारा सीखे गए समृद्ध संरचनात्मक पूर्व ज्ञान (structural priors) का लाभ उठाता है।
व्यावहारिक प्रभाव (Practical Impact): कोल्ड-स्टार्ट समस्या को प्रभावी ढंग से हल करके, यह मॉडल शुरुआती चरण की ड्रग डिस्कवरी के लिए बेहतर है जहाँ नए स्कैफोल्ड्स और अनकैरेक्टराइज्ड प्रोटीन परिवार आम हैं।
भविष्य की दिशाएँ (Future Directions): लेखक जटिल लक्ष्यों जैसे मेटलोएंजाइम्स के लिए भविष्यवाणियों को और अधिक परिष्कृत करने के लिए डायनेमिक कॉन्फ़ॉर्मेशनल एन्सेम्बल, मेटल-बाइंडिंग एनोटेशन और मल्टी-टास्क लर्निंग (टॉक्सिसिटी/सेलेक्टिविटी) को शामिल करने का सुझाव देते हैं।

संक्षेप में, XAttn-DTA अनुक्रम-आधारित ड्रग डिस्कवरी में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है, जो ग्राफ न्यूरल नेटवर्क और क्रॉस-मोडल अटेंशन के माध्यम से रैखिक अनुक्रम डेटा और 3D संरचनात्मक अंतःक्रिया आवश्यकताओं के बीच के अंतर को पाटता है।