PepLM-GNN:一种基于图神经网络框架的模型,利用预训练的语言模型进行肽-蛋白质结合预测

《PLOS Computational Biology》:PepLM-GNN: A graph neural network framework leveraging pre-trained language models for peptide-protein binding prediction

【字体: 大 中 小 】 时间:2026年03月25日 来源:PLOS Computational Biology 3.6

编辑推荐:

  摘要 动机 精确预测肽-蛋白质相互作用(PepPI)是推动肽类药物研究突破的核心支持,同时也是理解生物分子调控机制的关键。研究人员已经开发出多种计算方法来预测PepPI。然而,现有的计算方法也存在显著局限性。在数据特征表征层面,PepPI问题不符合欧几里得公理,这使得传统

  摘要
动机
精确预测肽-蛋白质相互作用(PepPI)是推动肽类药物研究突破的核心支持,同时也是理解生物分子调控机制的关键。研究人员已经开发出多种计算方法来预测PepPI。然而,现有的计算方法也存在显著局限性。在数据特征表征层面,PepPI问题不符合欧几里得公理,这使得传统预测方法难以有效测量肽与蛋白质之间的潜在关联。在模型泛化性能层面,现有方法往往因泛化能力不足而受到限制,这表现在它们在涉及新型肽、新型蛋白质和新结合对的冷启动场景下性能明显下降。

结果
在本研究中,我们提出了一个计算框架PepLM-GNN,该框架将预训练的语言模型ProtT5与混合图网络相结合,以准确识别PepPI。该模型利用ProtT5提取的肽和蛋白质的语义上下文特征构建异构节点,并通过边连接相互作用的肽-蛋白质对。混合图网络图卷积网络(GCN)提供了肽和蛋白质序列的全面信息,同时利用图同构网络(GIN)捕捉它们之间的全局相互作用。具体而言,GCN聚合了节点序列的语义上下文信息和局部邻域信息,有效表示非欧几里得数据。为了捕捉全局关联,我们采用GIN策略优化了跨节点特征交互和传输过程,从而提高了处理冷启动场景的泛化性能。与现有的先进方法相比,PepLM-GNN在预测PepPI方面表现出高度准确性和鲁棒性。我们进一步展示了PepLM-GNN在虚拟肽类药物筛选中的能力,这有望促进肽类药物的发现和蛋白质功能的阐明。

作者总结
我们提出了一个计算框架PepLM-GNN,该框架将预训练的语言模型ProtT5与混合图网络相结合。具体来说,使用ProtT5提取肽和蛋白质的语义特征来构建图。在混合图网络中,GCN模型聚合了节点序列的语义和局部邻域信息,从而能够充分表示非欧几里得数据。同时,GIN模型用于优化跨节点特征交互和传输过程,从而提高处理冷启动场景的泛化性能。实验结果表明,PepLM-GNN在PepPI预测的准确性和鲁棒性方面优于现有的最先进方法。此外,PepLM-GNN还可应用于虚拟肽类药物筛选,从而加速肽类药物的开发。我们还建立了一个公共在线服务平台(http://bliulab.net/PepLM-GNN)以促进其实际应用。

1. 引言
肽-蛋白质相互作用(PepPI)在生物体中普遍存在,是生命科学领域的核心问题。它在许多关键生理过程中起着重要作用,包括细胞信号传导、代谢调节等[1–3]。例如,在细胞信号通路中,肽类激素(如胰岛素)可以特异性结合到细胞表面的蛋白质受体上,从而触发一系列级联反应,实现生物血糖水平的精确调节[4]。在免疫反应中,抗原呈递细胞表面的肽-蛋白质复合物可以激活T细胞以抵抗病原体的入侵[5–7]。阐明PepPI在许多领域具有重要意义。在药物开发过程中,它可以帮助研究人员明确目标并促进新药物的涌现[8–14]。以癌症治疗为例,科学家可以根据肿瘤细胞内的异常PepPI开发新的抗癌药物[15]。这些药物副作用更少,治疗效果更好。在疾病机制研究领域,阐明PepPI的分子机制可以揭示疾病的根本原因,并为疾病的早期诊断和有效治疗开辟新途径。例如,在神经退行性疾病的研究中,异常PepPI可能为对抗这些疾病提供新的见解[16]。在传统研究中,PepPI是通过酵母双杂交、共免疫沉淀和表面等离子体共振等实验方法确定的。然而,这些实验方法在成本、时间和通量方面存在差异[2]。随着深度学习技术的快速发展,其强大的数据驱动特征学习能力为预测PepPI提供了一定的解决方案[17–19]。与依赖手动特征工程的传统机器学习方法相比,深度学习模型可以自动从大量生物序列和结构数据中提取复杂的非线性模式,从而显著降低手动特征筛选的主观性和复杂性[14,20–28]。这一优势在自然语言处理和图像识别等领域得到了充分验证[29,30]。在PepPI研究中,深度学习在揭示隐藏的分子关联方面显示出巨大潜力,为分析复杂的生物相互作用机制提供了新策略[31–34]。在现有的基于深度学习的生物分子相互作用预测方法中,代表性的PepPI预测方法包括CAMP[35]和IIDL-PepPI[36]。CAMP利用多通道序列信息和传统神经网络框架来预测相互作用和结合残基[35]。IIDL-PepPI构建了一个双向注意力模块来表示肽和蛋白质的上下文信息,实现了蛋白质语言的实用分析。同时,它采用渐进式迁移学习框架来解决肽-蛋白质相互作用问题[36]。此外,蛋白质-蛋白质相互作用(PPI)和药物-靶标相互作用预测领域的代表性方法也为相关研究提供了参考。HIGH-PPI构建了一个双视图图网络,分别获得蛋白质-蛋白质之间的全局相互作用和局部残基关联[37]。DrugBAN利用领域适应的深度双线性注意力网络框架来预测药物-靶标对的局部相互作用[38]。然而,这些PepPI预测的计算方法仍面临若干挑战。首先,PepPI数据属于非欧几里得数据,其中肽-蛋白质相互作用呈现出复杂的网络拓扑特征。例如,同一蛋白质与多个肽相互作用,形成每个肽的独特结合位点。仅依赖手工制作的特征不足以明确捕捉这些复杂结合。其次,现有方法的泛化能力有限,尤其是在“新型肽/新型蛋白质/新型结合对”的冷启动场景下。在本研究中,我们提出了一个准确且可解释的框架PepLM-GNN,该框架将预训练的语言模型ProtT5与混合图神经网络相结合。核心创新在于通过GCN和GIN的协同设计优化PepPI建模。图网络中的节点是肽和蛋白质的语义上下文特征,而边则是它们的相互作用关系。GCN通过节点及其直接邻居之间的特征关联提取局部信息,GIN通过等价类区分机制捕捉全局拓扑结构。具体而言,本文的贡献包括:
(1)我们的模型利用GCN的局部邻域聚合有效提取节点及其直接邻居之间的特征关联。这一过程为模型中的微相互作用提供了详细支持,并满足了PepPI的非欧几里得数据建模要求。
(2)为了减轻GCN的局限性(例如,梯度分散和过度平滑导致特征可区分性降低),我们引入GIN来增强特征可区分性并捕捉全局拓扑结构。该混合框架提高了泛化能力和对冷启动场景的适应性,包括新型肽、新型蛋白质和新结合对。
(3)通过从PepLM-GNN中提取重要关联构建了一个可解释的交互子图。通过功能富集分析实验评估了从子图派生的可解释组分的生物学意义。此外,PepLM-GNN已扩展应用于肽的丙氨酸扫描,展示了基于概率的肽类药物方法。
(4)为了方便研究人员使用,我们基于所提出的模型构建了一个在线Web服务器,访问地址为http://bliulab.net/PepLM-GNN。

2. 结果与讨论
2.1 与基准数据集上其他基线方法的比较
在本节中,我们将该模型的性能与其他基线方法在基准数据集上的性能进行了比较。所比较的基线方法包括传统机器学习方法(LR [39]、RF [40]、SVM [41,42])和经典深度学习方法(CAMP [35]、DrugBAN [38]、IIDL-PepPI [36]、HIGH-PPI [37])。使用四个指标评估模型的性能:AUC、AUPR、F1和ACC。如图1和S1表所示,PepLM-GNN在二元PepPI预测任务中表现出优势。其AUC为0.8434,优于基线方法,证明了所提出方法区分PepPI的出色能力。与仅依赖手工特征的传统机器学习方法相比,所提出的方法使用了预训练的ProtT5 [43]语言模型作为序列编码器。这种方法提供了更全面和语义丰富的生物序列表示,从而显著提高了模型的表达能力和预测准确性。与使用预训练的ProtBert [44]模型和渐进式迁移学习的IIDL-PepPI [36]相比,所提出的方法利用GCN框架捕捉PepPI的非欧几里得数据空间。通过跨相邻节点传播和聚合特征信息,所提出的方法有效地从局部交互上下文中学习。尽管DrugBAN [38]和HIGH-PPI [37]等方法使用了网络拓扑结构,但它们缺乏高质量的序列语义先验,预测性能相对较低。因此,PepLM-GNN在识别PepPI方面表现出更优的性能,并且与其他基线方法相比保持了稳定的性能。

下载:PPT
PowerPoint幻灯片
PNG
较大图像
TIFF
原始图像
图1. PepLM-GNN在基准数据集上与其他基线方法的性能对比(通过五折交叉验证)。基准数据集(共17244个样本)来自RCSB PDB数据库中的肽-蛋白质复合物结构(2022年10月之前),包含8622个正样本(相互作用的肽-蛋白质对)和8622个负样本(非相互作用对)。所有报告的性能指标(如ACC、AUC)代表在基准数据集上进行五折交叉验证获得的平均值。
https://doi.org/10.1371/journal.pcbi.1014084.g001

为了进一步验证PepLM-GNN性能优越性的统计显著性,我们对PepLM-GNN和所有基于基准数据集五折交叉验证的比较基线方法的平均ACC值进行了统计t检验,具体p值总结在表1中。如表1所示,PepLM-GNN与其他基线方法之间的所有p值均小于0.05,这定量证明了PepLM-GNN在统计上显著优于比较方法,我们的模型在基准数据集上的性能优势并非由随机因素引起。

下载:PPT
PowerPoint幻灯片
PNG
较大图像
TIFF
原始图像
表1. 比较方法与PepLM-GNN的ACC统计t检验p值。该表报告了基于基准数据集(17244个样本:8622个正样本和8622个负样本)五折交叉验证的平均ACC值的PepLM-GNN与其他基线方法之间的统计t检验p值。p值<0.05表示PepLM-GNN在统计上显著优于比较方法。
https://doi.org/10.1371/journal.pcbi.1014084.t001

2.2 与独立测试和冷启动测试数据集上其他基线方法的比较
为了验证模型的泛化能力,我们在四个独立测试数据集上进行了比较实验,包括LEADS-PEP、Test167、Test251和Test1440。所比较的基线方法包括传统机器学习方法(SVM、RF、LR)和深度学习方法(CAMP [35]、HIGH-PPI [37]、DrugBAN [38]、IIDL-PepPI [36]、DeepRank-GNN-esm [45]、DeepGNHV [46])。所有基线方法的超参数都优化到了最优值,以确保公平比较。我们根据AUC、AUPR、F1和ACC评估了这四个独立测试数据集上的性能,结果如图2所示。

下载:PPT
PowerPoint幻灯片
PNG
较大图像
TIFF
原始图像
图2. PepLM-GNN在四个独立测试数据集上与其他基线方法的性能对比。这四个测试数据集包括:Test1440(1440个正肽-蛋白质对和1440个负肽-蛋白质对,来自RCSB PDB数据库,2023年1月至2024年7月)、LEADS-PEP(52个正对和52个负对,用于评估肽-蛋白质对接性能的经典基准)、Test251(249个正对和249个负对)以及Test167(255个正对和255个负对,来自RCSB PDB数据库,2022年10月至12月)。PepLM-GNN、DeepGNHV和Deep-GNN-esm仅应用于具有可用结构数据的测试子集。所有性能指标代表通过对每个独立测试集进行五折交叉验证得到的五个模型的平均值。如图2所示,结果表明PepLM-GNN在二元PepPI预测方面优于其他最先进的方法。基线方法(如CAMP [35])的泛化能力有限,难以捕捉到预测未见过的PepPI所需的基础序列语义知识。相比之下,所提出的方法利用了预训练的ProtT5 [43]模型,该模型基于大规模无监督蛋白质序列构建,提供了丰富的语义信息。此外,所提出的方法还利用GIN来捕捉肽和蛋白质之间的全局拓扑关联。通过学习这些内在的关联关系,PepLM-GNN获得了可泛化的相互作用信息模型,从而提高了其在未见过的PepPI上进行准确预测的能力。为了确认PepLM-GNN在独立测试数据上的性能优势的统计显著性,我们进一步对平均ACC值进行了统计t检验。测试数据来自四个独立测试数据集的合并,平均ACC值是通过五折交叉验证计算得出的。t检验的具体p值总结在表2中。从表2可以看出,PepLM-GNN与比较方法之间的所有统计t检验的p值都小于0.05,表明PepLM-GNN在集成测试集上的优越性能具有统计显著性,并且这种优势是稳定和可靠的。

下载:PPT、PowerPoint幻灯片、PNG、较大图像、TIFF、原始图像

表2. 四个组合测试集中PepLM-GNN与其他比较方法之间的ACC统计t检验p值。该表报告了PepLM-GNN与其他比较方法之间的统计t检验的p值。测试数据是四个独立测试数据集的合并。t检验基于在组合数据集上进行五折交叉验证的平均ACC值。p值<0.05表示PepLM-GNN在统计上更优越。

此外,为了系统地评估PepLM-GNN的泛化能力,我们使用CD-HIT算法构建了包含新型肽、新型蛋白质和新型蛋白质-肽对的新冷启动测试数据集。使用AUC和AUPR评估了PepLM-GNN与其他先进深度学习方法的表现,结果如图3所示。

下载:PPT、PowerPoint幻灯片、PNG、较大图像、TIFF、原始图像

图3. 基于簇分割数据集的PepPI预测比较,用于预测新型肽、蛋白质和肽-蛋白质对。误差条代表交叉验证实验的平均值±标准差。簇分割(冷启动)数据集是使用CD-HIT聚类算法构建的,设置了四个阈值(0.6、0.7、0.8、0.9),遵循CAMP策略:同一簇中的实体不会同时出现在训练集和测试集中,从而产生三个子数据集(“新型肽”、“新型蛋白质”、“新型结合对”)。所有性能指标都是五折交叉验证五次的平均值±标准差。

结果显示:(1)在四种聚类阈值情况下,PepLM-GNN的表现优于比较方法,包括IIDL-PepPI [36]、CAMP [35]、DrugBAN [38] 和 HIGH-PPI [37]。(2)当聚类阈值降低且训练集和测试集之间的序列相似性减弱时,模型的性能下降相对较小,显示出强大的泛化能力。通过利用其等价类区分机制,所提出方法中的GIN模型能够准确捕捉分子相互作用的全局拓扑结构。当序列相似性降低时,仍可以通过结构模式的一致性实现跨样本关联,从而增强模型的泛化能力。因此,与基线方法相比,PepLM-GNN在独立测试和冷启动测试数据集上表现出更优越和更稳健的性能。

2.3 PepLM-GNN与现有预训练语言模型的比较性能
在本节中,我们在基准数据集上评估了四种预训练语言模型[47],以评估不同特征编码策略对PepPI预测的影响。这四种预训练语言模型生成的嵌入特征分别是TAPE [48]、ProtBert [44]、ESM-2 [49] 和基于ProtT5 [43]的提出方法。TAPE [48]主要用于建模生物序列的上下文,ProtBert [44]侧重于通用语义表示,ESM-2 [49]整合了进化信息。如表3所示,PepLM-GNN模型在所有四个指标上均表现出出色的预测性能。与生物语言模型(例如TAPE [48]和ProtBert [44])不同,ProtT5 [43]能够捕捉短肽序列的关键功能基序的细微差异,并对大规模语料库的上下文进行建模[51]。通过利用自适应序列嵌入和混合图网络,PepLM-GNN能够有效预测肽-蛋白质对的相互作用。

下载:PPT、PowerPoint幻灯片、PNG、较大图像、TIFF、原始图像

表3. PepLM-GNN与其他预训练语言模型在基准数据集上的性能比较,指标包括ACC、F1、AUC和AUPR。基准数据集包含17,244个样本(8,622个正样本和8,622个负样本)。所有指标(ACC、F1、AUC、AUPR)都是五折交叉验证五次的平均值±标准差。

表4显示,PepLM-GNN与所有变体模型之间的t检验的p值都小于0.05,表明使用ProtT5的PepLM-GNN的ACC在统计上显著高于使用其他预训练模型的变体。这证实了ProtT5更适合我们模型框架中的PepPI预测任务,并能为后续的图神经网络处理提供更有效的特征表示。

下载:PPT、PowerPoint幻灯片、PNG、较大图像、TIFF、原始图像

表4. 在五折交叉验证集上,PepLM-GNN与不同预训练模型之间的ACC统计t检验的p值。该表报告了PepLM-GNN(使用ProtT5)与其他预训练语言模型之间的统计t检验的p值。t检验基于在基准数据集(17,244个样本:8,622个正样本+8,622个负样本)上进行五折交叉验证的平均ACC值。p值<0.05表示PepLM-GNN在统计上更优越。

2.4 PepLM-GNN在基准数据集上的消融研究
为了探索PepLM-GNN的三个组成部分对预测性能的贡献,本节在基准集上设计了消融研究。我们通过分别消融这三个单独的模块来系统地开发了几种变体模型。模型A仅保留ProtT5 [43]的嵌入和分类模块,并直接使用通过ProtT5 [43]获得的特征进行分类。向模型A添加GAT模块创建了模型B,然后用于评估GAT对整体性能的影响。向模型A添加GCN模块创建了模型C,用于比较GCN在预测任务中的有效性。向模型A添加GIN模块创建了模型D,进一步用于验证GIN在预测任务中的性能。消融研究的结果关于ACC和AUC总结在表5中。

下载:PPT、PowerPoint幻灯片、PNG、较大图像、TIFF、原始图像

表5. 使用五折交叉验证的PepLM-GNN在基准集上的消融实验性能。消融变体包括:A(预训练模块+分类模块)、B(预训练模块+GAT+分类模块)、C(预训练模块+GCN+分类模块)、D(预训练模块+GIN+分类模块)以及完整的PepLM-GNN模型(预训练模块+GCN+GIN+分类模块)。所有指标(ACC、AUC)都是五折交叉验证五次的平均值±标准差。

如表5所示,模型A仅保留了预训练和分类模块,在ACC和AUC方面的表现最差。该模型完全依赖序列特征进行端到端分类,无法捕捉分子之间的相互作用关系,因此难以识别PepPI。与模型A相比,模型C和D表现出更高的性能,突出了图网络的独特价值。GCN通过聚合局部邻域特征增强了节点的结构连通性,而GIN通过迭代更新增强了全局拓扑结构的感知。同时,它可以缓解GCN深度训练中容易出现的梯度分散和过度平滑问题。这两种机制从局部和全局角度解决了单序列特征的信息不足问题。研究模型PepLM-GNN结合了GCN的细粒度局部结构建模和GIN的深入全局拓扑探索,形成了功能协同作用。因此,消融研究表明,将相互作用网络拓扑与序列语义信息相结合对于实现有效的PepPI预测至关重要。为了进一步定量验证每个核心模块对模型性能的显著贡献,我们对完整PepLM-GNN模型和每个消融变体的平均ACC值进行了t检验(基于基准数据集上的五折交叉验证),相应的p值报告在表6中。从表6可以看出,完整模型与每个消融变体之间的所有统计t检验的p值都小于0.05,这从统计上证实了移除任何核心模块都会导致模型ACC的显著下降。这充分证明了PepLM-GNN的每个核心模块(GCN、GIN等)对模型PepPI预测性能的显著贡献,以及模型的混合架构设计的科学合理性和合理性。

下载:PPT、PowerPoint幻灯片、PNG、较大图像、TIFF、原始图像

表6. 在五折交叉验证集上,PepLM-GNN的ACC统计t检验的p值。该表报告了完整PepLM-GNN模型与其每个消融变体之间的t检验的p值。消融变体包括:A(预训练模块+分类模块)、B(预训练模块+GAT+分类模块)、C(预训练模块+GCN+分类模块)、D(预训练模块+GIN+分类模块)。t检验基于在基准数据集(17,244个样本:8,622个正样本+8,622个负样本)上进行五折交叉验证的平均ACC值。p值<0.05表示原始PepLM-GNN的ACC在统计上显著高于变体。

2.5 PepLM-GNN在扩展任务中的应用
为了探索PepPI预测的可解释性和生物学意义,我们进行了多层次实验,包括关键残基识别和相互作用网络分析以及基因富集分析。

2.5.1 参与相互作用的关键残基的虚拟筛选
为了验证PepLM-GNN的实用性,我们将计算机模拟和实验数据结合起来,将模型预测结果与生物测量结果进行比较,以验证其在识别关键氨基酸方面的一致性。我们对SALL4(1–12)肽段进行了丙氨酸扫描虚拟筛选[52]。将此肽段中的每个氨基酸依次替换为丙氨酸,构建了一系列突变体。使用建立的模型,分别预测每个突变体与RBBp4的结合概率。为了量化丙氨酸替换对肽-蛋白质结合能力的影响,结合可能性的相对变化可以表示为(野生型SALL4(1–12)肽的结合概率/丙氨酸突变体的结合概率)/野生型SALL4(1–12)肽的结合概率[36]。模型预测,对应于肽“RRK”序列(精氨酸R,赖氨酸K)的丙氨酸突变体的结合概率相对变化都非常高。与SALL4研究中测量的结合自由能的实验数据[52]相比,如图4A所示,两者趋势高度一致。在实验测量的结合自由能变化最大的三个残基位置中,有两个对应于“RRK”序列突变体,这突出了该序列在SALL4和RBBp4相互作用中的核心作用。这一发现与SALL4研究中得出的“Arg3、Arg4、Lys5是关键相互作用残基”的结论一致,验证了模型预测与实验测量在识别关键氨基酸方面的一致性。这种高一致性源于模型架构对PepPI的深入分析。预训练的ProtT5 [43]模型挖掘了如“RRK”这样的序列的语义信息,为识别关键残基提供了生物学语义支持。图网络框架能够精确建模结合界面处的局部残基相互作用,感知全局拓扑结构,并准确捕捉“RRK”和RBBp4结合位点之间的微观相互作用。这种模型架构的协同效应使其能够在序列语义层面识别功能关键区域,并在网络拓扑层面分析残基的具体贡献,实现了关键结合残基的精确识别。PepLM-GNN在虚拟肽类药物筛选中的应用。(A) PepLM-GNN预测的RBBp4和SALL4肽丙氨酸突变体的结合概率与实验测量的结合自由能变化相对比。(B) 使用GNNExplainer工具提取的与FFW肽相互作用的蛋白质子图。(C) 与FFW肽相互作用的蛋白质的功能富集分析。https://doi.org/10.1371/journal.pcbi.1014084.g004 2.5.2 FFW相互作用蛋白质的子图识别。为了研究模型预测的可解释性和生物学意义,我们使用目标肽FFW作为子图分析和功能验证的例子。FFW是一种基于SALL4关键序列开发的肝癌治疗肽,其功能核心在于与RBBp4的特异性相互作用。我们使用GNNExplainer工具[53]分析了所提出的模型,提取了可能与目标肽FFW相互作用的蛋白质子图,并展示了排名最高的蛋白质。图4B显示这些蛋白质通过紧密的物理相互作用形成了功能模块,表明它们可能共同参与与肝癌发展相关的信号通路。2.5.3 FFW相互作用蛋白质的功能富集和临床意义验证。本节对上述核心蛋白质[36]进行了功能富集分析。图4C显示它们在肝癌相关通路中显著富集(富集p值3.63×10^-2)。这不仅验证了模型识别关键相互作用对(FFW-RBBp4)的准确性,还直接证实了“RRK残基通过靶向RBBp4调节肿瘤发生的机制”,这与“RRK”序列在SALL4中的核心作用一致。从SALL4中关键残基的虚拟筛选到FFW相互作用网络和通路的验证,所提出的模型PepLM-GNN在PepPI预测中表现出稳定的可解释性和生物学一致性。3. 结论本研究提出了一种PepLM-GNN方法,该方法整合了预训练的ProtT5模型和混合图神经网络用于PepPI预测。该模型采用GCN提取分子的局部邻域特征,能够捕捉短程相互作用并精确建模非欧几里得结构。此外,GIN依赖于等价类区分机制来捕捉全局节点相互作用模式,从而缓解了GCN深度训练中的梯度分散和过度平滑问题,提高了泛化性能。与其他最先进方法相比,PepLM-GNN具有更高的预测准确性和可解释性。此外,PepLM-GNN在各种扩展任务中的应用突显了该框架的多功能性和促进更广泛蛋白质相关研究的潜力。这一成就可以应用于蛋白质药物开发、疗效评估和治疗策略优化等领域,从而加速药物研究和开发过程。另外,已经建立了一个网络服务器,网址为http://bliulab.net/PepLM-GNN。需要注意的是,PepLM-GNN仍存在某些局限性。在数据集构建中可能存在潜在偏差:尽管现有的基准数据集已经经过了严格的筛选,但它仍然未能完全覆盖不同物种和功能类型的蛋白质-肽对,这可能会影响模型对罕见或特殊样本的预测性能。此外,图构建步骤会带来一定的计算成本:基于序列特征构建分子图的过程消耗了大量计算资源,使其难以适应低配置计算环境的快速部署需求。4. 材料与方法 4.1 基准数据集、独立测试数据集和冷启动测试数据集在本研究中,我们构建了三种类型的数据集来评估PepPI预测模型的性能,即基准数据集、四个独立测试数据集和一个冷启动测试数据集。基准数据集:本研究中使用的基准数据集来源于2022年10月之前的RCSB PDB数据库中的肽-蛋白质复合物结构。残基对的确定基于α-碳原子之间的距离阈值方法()。当配体肽与目标蛋白质残基之间的原子距离小于5 ?时,定义为相互作用残基对。对于缺乏α-碳原子的氨基酸残基,使用最近的原子间距离进行判断。如果结构坐标不完整或分辨率较低,无法准确判断,则统一视为非结合残基对。经过上述处理后,获得了8622对肽-蛋白质相互作用样本,作为实验的正样本。为了构建平衡的数据集,我们随机选择了相同数量的没有相互作用关系的肽-蛋白质对作为负样本。独立测试数据集:在本研究中,独立构建了一个名为Test1440的独立测试数据集。数据来源于2023年1月至2024年7月RCSB PDB数据库中的肽-蛋白质相互作用复合物,共包含1440个有效复合物样本。负样本是通过随机配对肽和蛋白质来构建非相互作用对生成的。此外,我们还引入了三个已在各个领域发表并得到广泛验证的独立测试集。LEADS-PEP测试集[55]是一个经典的肽-蛋白质对接性能评估基准数据集,包含52对正负样本。Test251测试集[56,57]是该领域常用的独立验证数据集,包含249对正负样本,并经过了严格的数据筛选,以确保与训练数据没有冗余。Test167测试集[36]的数据来源于2022年10月至12月RCSB PDB数据库中的肽-蛋白质复合物,通过PBD-BRE工具[58]提取残基级别标签等步骤进行处理,过滤掉非标准氨基酸比例超过20%的样本,以及与训练集/验证集序列相似度超过80%的样本。最终保留了255对正负样本。冷启动测试数据集:根据CAMP策略[33],我们使用CD-HIT算法独立地对蛋白质和肽进行聚类(即,两种序列类型的聚类过程分别进行)。核心数据划分规则要求同一簇中的实体不能同时出现在训练集和测试集中,从而确保了冷启动场景的“新颖性”。基于此,我们将基准数据分为三个冷启动子集:“新肽”(仅对肽进行聚类,训练集和测试集之间没有重叠的肽簇),“新蛋白质”(仅对蛋白质进行聚类,训练集和测试集之间没有重叠的蛋白质簇)以及“新的结合对”(依赖于蛋白质和肽的独立聚类结果)。冷启动测试数据集使用四个一致的CD-HIT聚类阈值(0.6、0.7、0.8和0.9)来构建蛋白质和肽序列。它在相同的阈值下同时对两种序列类型进行独立聚类。4.2 PepLM-GNN的架构为了解决PepPI的精确建模和可解释性要求,本研究提出了PepLM-GNN方法,这是一种混合图神经网络(GNN),通过特征学习和网络拓扑实现高效预测。在图构建阶段,建立了一个全局PepPI网络。在这个网络中,节点代表单个肽或蛋白质实体,而边表示相互作用关系。这种结构形成了复杂的关联(例如,一个肽连接到多个目标蛋白质,反之亦然)。混合图网络模型采用了GCN和GIN的协作架构,分别实现局部级别的相互作用和全局级别的拓扑信息捕获。GCN依赖于局部邻域聚合机制从节点的局部拓扑中获取微相互作用细节,适应PepPI的非欧几里得数据特性。GIN通过等价类区分机制和迭代特征聚合编码肽-蛋白质分子的全局拓扑依赖性,同时缓解了GCN深度训练中的梯度分散和过度平滑问题。这优化了节点特征的不同表示,确保模型能够区分不同的PepPI相互作用模式。模型架构如图5所示。我们的方法包括四个模块:ProtT5、图卷积、图同构和分类。下载:PPT PowerPoint幻灯片PNG较大图像TIFF原始图像图5. PepLM-GNN框架,包括四个模块:ProtT5、图卷积、图同构和分类。https://doi.org/10.1371/journal.pcbi.1014084.g005 4.2.1 基于ProtT5的特征提取。本研究基于预训练的ProtT5模型构建了一个序列特征分析架构,用于提取肽和蛋白质的序列语义上下文特征[59]。预训练的ProtT5模型采用文本生成架构和跨模态编码机制来捕获序列的全局语义上下文,包括它们在序列中的固有长期依赖性。当长度为L的肽或蛋白质序列输入到ProtT5时,可以自动生成一个维度为L×1024的残基级特征矩阵。然后,我们对这些残基级特征应用平均池化操作,生成一个固定维度的1024维全局表示向量。计算公式[60]为:(1)其中是ProtT5特征表示。然后通过Z分数标准化[61]对进行标准化,以消除序列长度差异对后续建模的影响,同时保持特征的整体分布。在模型构建阶段,由预训练的ProtT5模型生成的特征向量直接作为PepLM-GNN中的节点特征。通过跨模态编码机制捕获序列的语义依赖性,为PepPI预测提供特征输入。4.2.2 混合图网络框架。本研究设计了一个混合图网络框架,整合了GCN和GIN以实现协作学习。该框架有效捕获了PepPI的非欧几里得数据特性,实现了更准确和稳健的预测性能。混合图网络框架构建了一个全局肽-蛋白质相互作用网络,节点0代表肽序列,节点1代表蛋白质序列。节点特征采用预训练的ProtT5模型提取的序列级嵌入向量,可以避免传统手动特征的缺陷,如“信息片面性和维度有限”。边结构定义为双向边索引[[0,1],[1,0]],明确模拟了肽和蛋白质之间的潜在相互作用,避免了由“隐式相互作用”引起的特征传递的歧义。特征矩阵是通过连接肽和蛋白质的ProtT5嵌入形成的,确保每个节点最初携带其原始序列的完整序列语义信息。为了准确提取节点及其直接邻居之间的特征关联,并满足PepPI中非欧几里得数据的微建模要求,我们设计了一个GCN局部聚合模块。通过两层图卷积神经网络(GCNConv)[62]实现局部邻域特征学习。第一层将输入特征映射到64维隐藏层。实例标准化(IN)用于标准化特征分布[63],ReLU激活函数引入非线性[64],20%的dropout率抑制过拟合,以避免由于样本偏差引起的微相互作用误判[65]。第二层进一步聚合邻域特征,输出2×64维的节点级局部特征。我们加强了肽和蛋白质之间的微观相互作用,为后续的全局建模提供了精细的支持。公式如下[66]:(2)其中是带有自环的邻接矩阵,是相应的度矩阵,是第l层的权重矩阵。此外,所提出的方法引入了一个基于GIN的全局模块,与GCN形成混合协作。这种协作有效缓解了GCN深层中的梯度分散和过度平滑问题,防止了节点特征的不希望的收敛。在第一个图同构网络卷积(GINConv)层中,多层感知器(MLP)用于非线性重建局部特征,从而缓解过度平滑并增强特征区分能力。在第二个GINConv层中,我们使用全局加池化[67]将节点特征聚合成32维的图级表示。该过程捕获了PepPI的全局拓扑,显著提高了冷启动测试数据的稳健性。公式如下[68]:(3)其中是MLP映射函数。4.2.3 分类模块。基于混合图网络框架输出的32维图级表示,本研究设计了一个分类模块以实现PepPI的二元分类预测。我们对图级表示应用20%的dropout率,以进一步减少模型对训练数据的过度依赖,并确保在冷启动测试数据集中的预测稳健性。处理后的特征通过线性变换层映射到一维的logits,以减少参数冗余。使用sigmoid激活函数[69]将logits压缩到[0,1]区间内,以获得相互作用概率。模型公式如下:(4)其中是边索引,是线性变换层。在设计损失函数时,我们将sigmoid激活函数深度集成到二元交叉熵(BCE)损失[70]的计算过程中。这可以使预测结果与PepPI相互作用的概率属性对齐,从而提高模型区分相互作用和非相互作用肽-蛋白对的准确性。公式[36]如下:(5)其中是模型的预测概率,是真实标签值。因此,我们使用的PepLM-GNN模型构建了一个混合图神经网络框架,该框架适应PepPI的非欧几里得数据特征,有效结合了局部和全局信息,并增强了在冷启动场景下的泛化能力。

4.3 模型的训练和优化
在本研究中,我们使用PyTorch[71]实现了PepLM-GNN模型。训练过程使用Adam优化器[72]来优化参数,学习率为1e-3,权重衰减为5e-4。在整个实验中使用了固定的随机种子1234以确保可重复性。为了避免网络过拟合,在训练过程中引入了Dropout算法[73]。为了控制训练过程,我们采用了Early Stopping策略[74],通过监控模型在验证集上的表现来进行调整,耐心值为10。在模型评估阶段,采用了动态阈值优化策略[75],选择最大化F1分数的阈值作为该方法的最佳决策边界。我们选择BCEWithLogitsLoss作为模型的损失计算函数[70]。

4.4 算法性能评估标准
在本研究中,为了全面评估模型在PepPI预测任务中的性能,我们采用了多种评估指标,这些指标反映了模型在不同维度上的表现,包括AUC、AUPR、准确率(ACC)和F1分数[76,77]。相关评估指标的计算公式如下[36]:(6)其中TP表示实际阳性序列的数量,TN表示真正阴性序列的数量,FP表示假阳性序列的数量,FN表示假阴性序列的数量。此外,P表示精确度(所有预测为阳性的序列中正确预测的阳性序列的比例),R表示召回率(所有实际阳性序列中正确预测的阳性序列的比例)。AUC是接收者操作特征(ROC)曲线下的面积,该曲线绘制了在不同分类阈值下的实际阳性率和假阳性率。AUPR是精确度-召回率曲线下的面积,它展示了在不同阈值设置下精确度和召回率之间的关系。

支持信息
参考文献
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号