GCN CNN双分支 CrossAttention Mamba KAN，在图的左上部分（a），展示了输入数据的处理流程。对于分子数据，通过GCN对其结构信息进行编码；对于蛋白质数据，则采用K - mer方法并结合卷积1D（Conv1D）操作提取特征。这些处理后的特征分别得到原子特征（Atom Features）和蛋白质特征（Protein Features）。中间部分（b）是模型的核心注意力模块。原子特征和蛋白质特征经过位置编码（Position Encode）后，分别进入两个多头交叉注意力（Multi - Head CrossAttention）层。通过这种交叉注意力机制，模型能够捕捉原子特征和蛋白质特征之间的复杂关系，然后将处理后的特征进行拼接（Concat）。右侧部分（c）展示了MambaBlocks的结构，拼接后的特征经过多个MambaBlocks的处理，最终输入到KAN分类器中进行分类。在图的下方，分别展示了KAN（d）、MambaBlock（e）的详细结构以及对抗损失（Adversarial Loss）的计算流程（f）。KAN结构可能是一种特定的神经网络连接方式；MambaBlock内部包含RMSNorm、投影（Projection）、Conv1D、σ激活函数、SSM等操作，通过多次堆叠（×N）来提取更高级的特征；对抗损失部分通过判别器（Discrimination）对两个不同域的特征进行判别，计算对抗损失以提升模型的泛化能力。