MoRFs_TransFuse：基于多模态特征融合与轻量Transformer网络的分子识别特征预测新方法

本研究针对分子识别特征（MoRFs）预测中存在的特征表征不足、长序列适应性差及计算效率低等问题，开发了基于多模态特征融合和轻量Transformer网络的MoRFs_TransFuse预测器。该方法创新性地整合了理化性质、进化特征和预训练模型嵌入，通过多窗口提取和随机森林（RF）二次筛选保留最优特征组合，并利用自注意力机制捕获长程残基关联。实验表明，MoRFs_TransFuse在TEST464和EXP53数据集上的AUC值分别达到0.843和0.867，较现有方法提升2.7%和3.1%，显著提高了预测精度与计算效率。

　　

在蛋白质功能研究领域，科学家们曾长期认为蛋白质必须形成稳定的三维结构才能发挥作用。然而，内在无序蛋白（IDPs）的发现彻底颠覆了这一传统认知。这些蛋白质在天然条件下缺乏固定结构，却广泛存在于真核生物中，占比高达30-50%。它们通过折叠成不同构象与多种分子相互作用，在细胞信号转导、转录调控等生命过程中扮演关键角色。其中，分子识别特征（MoRFs）作为IDPs的重要功能区域，是一类长度不超过70个残基的短结合区域，能够在结合蛋白质伙伴时发生从无序到有序的转变，通常位于长无序区域内，可分为α-MoRFs、β-MoRFs、γ-MoRFs和复合型MoRFs四种类型。

尽管MoRFs具有重要的生物学功能，但其准确预测仍面临诸多挑战。早期预测方法如α-MoRFpred仅能预测α型MoRFs，而MoRFpred虽能预测所有类型却依赖多种特征和预测器，导致模型复杂。后续发展的MoRFCHiBi系列方法虽摆脱了对其他预测器的依赖，但仍存在特征表征不足、计算效率低等问题。组合预测器OPAL通过整合多种信息源提升效果，却依然计算复杂且依赖现有预测结果。总体而言，现有方法在特征表征、长序列适应性和计算效率方面存在明显局限。

为解决这些难题，河北工业大学张乐乐、何浩与石雪森研究团队在《BioData Mining》发表了题为“MoRFs_TransFuse: a MoRFs predictor based on multimodal feature fusion and the lightweight Transformer network”的研究论文，提出了一种基于多模态特征融合和轻量Transformer网络的创新预测方法。

研究团队采用多模态特征提取策略，整合了ProtBERT和ESM-2两个预训练语言模型生成的1024维和1280维特征嵌入，以及手工构建的73维特征集（包含理化性质、进化特征和结构特征）。通过长度分别为10、45和90的三级滑动窗口捕捉不同尺度的序列信息，并利用随机森林算法筛选出3500个最具判别性的关键特征。在预测模块中，设计了一个轻量级Transformer网络，通过自注意力机制有效捕获长程残基关联，使用层归一化加速训练收敛，全连接层实现特征压缩，并加入位置编码增强序列位置感知。最终通过MLP网络完成MoRF区域的准确预测。

研究方法上，研究使用了与既往研究相同的基准数据集，包括训练集TRAINING421（421条序列，5396个MoRF残基）和测试集TEST464（由TEST和TESTNEW合并而成，464条序列，5779个MoRF残基），以及独立测试集TEST_EXP53（53条序列，2432个MoRF残基）。采用AUC作为主要评价指标，同时计算不同真阳性率（TPR）下的假阳性率（FPR）。

多模态特征融合的协同效应

研究发现，多模态特征融合是提升预测性能的关键。在特征集3内部，RF筛选的10维特征集与其余63维特征组合使用效果最佳。预训练模型嵌入的分析表明，ProtBERT的进化信息特征（Fea1）、ESM-2的结构信息特征（Fea2）与特征集3（Fea3）的三者融合实现了最优性能，特别是在低FPR区域（FPR<0.03）表现突出。通过二级特征筛选，确定3500个特征为最佳数量，平衡了特征表征充分性与计算效率。

与现有方法的比较

MoRFs_TransFuse在TEST464和TEST_EXP53数据集上分别达到0.843和0.867的AUC值，较现有最佳方法提升2.7%和3.1%。在TPR为0.2、0.3和0.4时，其FPR均低于对比方法（MoRFCHiBi、PROMIS、MoRF_MPM等），表明该方法在保持高敏感性的同时有效降低了假阳性率。

案例研究

以TEST_EXP53数据集中的P21513蛋白序列（1061个残基，含两个MoRF区域）为例，MoRFs_TransFuse准确识别了833-850和1039-1059两个MoRF区域，准确率达0.9689，TPR为0.8718，FPR仅0.0274，AUC高达0.9836。尽管存在少量假阳性和假阴性区域，但核心区域预测效果显著。

研究讨论指出，MoRFs_TransFuse的成功得益于多模态特征融合产生的协同效应和轻量Transformer网络的长序列建模能力。然而，该方法仍存在一定局限：RF特征选择可能忽略非线性关联特征；预训练模型嵌入的简单整合未能充分挖掘多模态信息的互补性；超长蛋白序列处理时计算负荷仍较大。未来研究可考虑整合更多生物数据源，优化特征提取策略，改进Transformer架构以更好地处理超长序列和动态构象变化。

该研究为MoRFs预测提供了新的解决方案，在药物靶点发现和构象调控治疗领域具有重要应用价值。通过创新性地融合多源生物信息数据和轻量化网络设计，实现了计算效率与预测精度的平衡，为内在无序蛋白的功能研究提供了有力工具。