
-
生物通官微
陪你抓住生命科技
跳动的脉搏
SSC-PPI:一种基于子空间结构一致性的蛋白质-蛋白质相互作用预测方法
《IEEE Transactions on Computational Biology and Bioinformatics》:SSC-PPI: A Subspace Structure Consistency-Based Method for Protein-Protein Interactions Prediction
【字体: 大 中 小 】 时间:2025年12月12日 来源:IEEE Transactions on Computational Biology and Bioinformatics
编辑推荐:
蛋白质相互作用(PPIs)预测中,传统方法存在特征子空间与原始数据结构不一致及未充分挖掘特征间关联的问题。本文提出基于子空间结构一致性的SSC-PPI方法,整合氨基酸组成、联合三元数F-向量、组成特征和转换描述子等多维度特征,同时保持特征子空间与数据空间的几何结构一致性。实验表明,该方法在多个基准数据集上准确率高达99.98%-100%,相比对比模型平均提升14.39%-8.79%,并有效支持大规模药物-药物/食品相互作用预测。
蛋白质-蛋白质相互作用(PPIs)是指由两个或多个蛋白质分子引发的生物过程,包括细胞信号传导、代谢途径和基因表达。精确识别PPIs对于理解疾病发病机制以及食物和药物对生命的基本影响至关重要。近年来,在PPI预测方面的进展表明,基于机器学习(ML)的数据管理方法因其在阐明蛋白质相互作用网络的结构和功能方面的宝贵见解而表现出良好的性能[1]。ML方法在PPI预测中侧重于多种特征表示和分类技术,通常使用数学模型来捕捉蛋白质序列中的离散特征,这有助于高效预测蛋白质对之间的相互作用。一般来说,从蛋白质序列中提取的物理属性(如电荷、疏水性和表面张力[2])对提升PPI预测性能具有显著潜力。然而,仅依赖物理属性进行信息映射会导致预测准确性下降。已有研究表明,HKNN[3]、q-Wiener指数[4]、PPI-Detect[5]和ACT-SVM[6]等方法能有效弥补这种信息损失。此外,这些方法还采用了不同的特征提取策略,例如构建蛋白质对的全局表示以直接保留蛋白质序列的完整性、分析蛋白质序列的结构和功能特征、通过ProtDCal数字编码机制探索蛋白质序列的数字属性,以及整合数字组合和转换(CT)。然而,这些方法的全面性主要受限于它们对单一特征提取方法的依赖,这可能阻碍了它们捕捉蛋白质序列内部局部信息的能力,从而导致表示的局限性及信息的有限损失。