编辑推荐：
为解决蛋白质工程中标记数据有限及序列空间组合复杂性问题，研究人员探索半监督学习（SSL）策略，引入同源序列信息。发现 DCA 编码结合 MERGE 与 SVM regressor 性能最优，为数据驱动的蛋白质优化提供新路径。
在生命科学领域，蛋白质工程致力于通过改造蛋白质序列来优化其功能，以满足生物技术和治疗学等多领域需求。然而，蛋白质序列空间的巨大组合复杂性、上位效应（epistasis）以及实验筛选通量的限制，使得获取足够的标记数据（即已知适应性的蛋白质序列）成为瓶颈。传统的监督学习方法依赖大量标记数据，在数据稀缺时难以有效泛化，这极大地制约了数据驱动型蛋白质工程的发展。如何利用海量未标记的同源序列信息，提升模型在低标记数据场景下的预测能力，成为亟待解决的关键科学问题。
西班牙布尔戈斯大学（Universidad De Burgos）的研究团队针对这一挑战，开展了半监督学习策略在蛋白质适应性预测中的应用研究。他们的研究成果发表在《Journal of Cheminformatics》上，通过整合同源序列的潜在信息，开发并比较了多种半监督学习方法，为蛋白质工程提供了更鲁棒的预测模型，有望突破数据限制对实验优化的束缚。
关键技术方法
- 同源序列获取与多序列比对（MSA）：以野生型蛋白质序列为查询，利用 HMMER 软件从 UniRef100 数据库中搜索同源序列，构建 MSA 矩阵，并通过筛选去除高 gap 比例的序列和位置。
- 直接耦合分析（DCA）模型构建：基于 MSA 矩阵，使用 plmc 软件推断 DCA 统计模型，获取局部场参数h_i和耦合矩阵J_{ij}，用于计算序列的统计能量E(\sigma)及突变能量差\Delta E。
- 序列编码方法：包括 DCA 编码（利用 DCA 模型参数生成低维序列表示）、eUniRep（基于同源序列微调的神经网络编码）、UniRep 和 PAM250（基于进化保守性的氨基酸替换矩阵编码）。
- 半监督学习策略：
- 无监督预处理方法：如 MERGE 框架，结合 DCA 模型的统计能量与监督学习回归器。
- Wrapper 方法：将 Tri-Training 和 Co-Training 分类方法改编为回归任务，通过伪标签迭代扩展训练数据。
研究结果
不同策略在标记数据充足与稀缺场景下的性能对比
在使用全部标记数据训练时，基于 DCA 编码的监督学习方法（如 DCA+SVM）已表现出较高性能，但与 MERGE 的差异较小。然而，当标记数据量减少至 250、200、150、100 甚至 50 个时，半监督策略的优势显著显现。其中，DCA 编码结合 MERGE 和 SVM 回归器（DCA+MERGE [SVM]）在 Spearman’s ρ[32]和加权 Spearman’s ρw[33]指标上均优于其他方法，尤其在标记数据仅 50 个时，其预测准确性显著高于单纯使用 DCA 编码的监督学习模型。
DCA 编码与 eUniRep 编码的性能差异
DCA 编码在多数情况下优于 eUniRep，特别是在使用 SVM 回归器时。这归因于 DCA 能直接捕捉序列中的共进化信号，而 eUniRep 依赖预训练模型对同源序列的泛化能力。当数据集包含显著的上位效应或共进化模式时，DCA 的优势更为突出；反之，在突变效应较为简单的数据集上，两者性能差异缩小。
半监督 Wrapper 方法的适用性
与无监督预处理方法相比，基于伪标签的 Wrapper 方法（如 Tri-Training Regressor）在标记数据充足时表现尚可，但随数据量减少，其性能下降明显。这可能是由于伪标签的准确性在低数据量时难以保证，导致模型引入噪声。此外，结合无监督预处理与 Wrapper 的策略（策略 4）并未进一步提升性能，部分情况下甚至因计算复杂度增加而略有下降。
MERGE 框架的改进与泛化
研究提出了 MERGE 的广义版本，允许使用任意监督回归器替代原有的岭回归器。实验表明，当采用 SVM 作为基回归器时，MERGE 的性能显著提升，且无需复杂的参数调优，展现了更强的鲁棒性和泛化能力。这一改进为 MERGE 在不同数据集和场景中的应用提供了更灵活的选择。
结论与讨论
本研究系统验证了半监督学习策略在蛋白质适应性预测中的有效性，尤其是通过同源序列引入进化信息的无监督预处理方法。结果表明，DCA 编码与 MERGE 框架的结合能显著提升低标记数据下的模型性能，为实验资源有限的蛋白质工程提供了切实可行的解决方案。此外，新提出的 Tri-Training Regressor 方法为半监督回归在生物信息学中的应用拓展了思路。
研究同时揭示了序列编码方法的选择需结合数据集特性：DCA 适用于共进化信号强的场景，而 eUniRep 在泛化能力上具有潜力。未来研究可进一步探索深度学习与半监督策略的结合，以及跨物种同源序列信息的整合，以提升模型对复杂蛋白质功能的预测能力。该工作不仅为蛋白质工程提供了新工具，也为半监督学习在生物数据建模中的应用开辟了更广阔的研究方向。
