编辑推荐：
CRISPR-Cas 系统是细菌和古菌的适应性免疫机制，已发展为有前景的基因组编辑工具。为解决传统 Cas 蛋白识别方法的局限，研究人员开展基于图神经网络（GNNs）和 SMILES 编码识别 Cas1 蛋白的研究，成功识别潜在 Cas1 蛋白，为基因编辑研究提供新方法。
在神奇的微观生物世界里，细菌和古菌拥有一套独特的 “防御武器”——CRISPR-Cas 系统。这一系统就像是它们的 “免疫卫士”，能够精准地切割入侵的外源 DNA，守护自身的遗传信息安全。随着科学技术的发展，科学家们发现这套系统还能摇身一变，成为强大的基因组编辑工具，在动植物等众多生物的基因改造中发挥关键作用。不同类型的 Cas 蛋白在其中扮演着至关重要的角色，尤其是 Cas1 蛋白，它能与 Cas2 蛋白携手，将外来核酸整合到 CRISPR 序列中，就像给细菌的 “防御数据库” 添加新的 “防御知识” 。
然而，探寻 Cas 蛋白的道路并非一帆风顺。传统的生物信息学方法在识别 Cas 酶时存在诸多限制。它们大多依赖已知的 Cas 酶来预测相似的酶，就像只认识一部分朋友，然后根据这部分朋友去猜其他可能的朋友，这样很容易遗漏那些 “不太像” 的新朋友；而且这些方法主要关注蛋白质序列特征，难以捕捉蛋白质复杂的非线性关系和结构信息，就如同只看到了房子的外观，却忽略了房子内部复杂的结构；此外，传统模型架构简单、参数少，无法深入挖掘蛋白质的深层信息，就像用一把小铲子去探索一座大山，很难有全面而深入的发现。这些问题严重制约了对 CRISPR-Cas 系统多样性和功能的探索，因此，开发更先进的方法迫在眉睫。
为了攻克这些难题，浙江实验室的研究人员勇挑重担，开展了一项极具创新性的研究。他们巧妙地将图神经网络（GNNs）和简化分子输入线输入系统（SMILES）编码相结合，开发出一套识别 Cas1 蛋白的新策略。研究人员通过一系列严谨的实验和分析，成功设计并训练出由两个 Directed Message Passing Neural Network（DMPNN）模型组成的集成模型，这个模型在识别 Cas1 蛋白方面表现卓越。相关研究成果发表在《Scientific Reports》上，为该领域的研究开辟了新的方向。
在这项研究中，研究人员用到了几个关键技术方法。首先是利用 SMILES 编码将蛋白质分子转化为字符串，这样就能把蛋白质的结构信息以一种简洁的方式呈现出来，方便后续分析；接着，基于转化后的 SMILES 字符串构建蛋白质图，明确原子和键的特征，为模型提供丰富的信息；然后，使用 DMPNN 模型对构建好的蛋白质图进行处理，通过消息传递机制来学习蛋白质的结构特征；最后，采用贝叶斯优化方法对模型的超参数进行调整，让模型达到最佳性能。
下面让我们详细看看研究结果：
- 基本策略概述：研究人员尝试了多种策略，发现将两个结构相同但训练数据集不同的模型（Model 1 和 Model 2）结合起来，能够有效识别潜在的 Cas1 蛋白。Model 1 主要负责区分 Cas1 蛋白和非 Cas 蛋白，而 Model 2 则专注于区分 Cas1 蛋白和其他类型的 Cas 蛋白，二者相辅相成。
- Cas1 蛋白预测和分析：研究人员以 Ensembl Bacteria 数据库中的古菌相关蛋白数据集为研究对象，利用 Model 1 进行初步筛选，从众多蛋白中识别出 12574 个 Cas1 候选蛋白。随后，结合氨基酸序列长度信息，进一步筛选出 1113 个蛋白，再通过 Model 2 计算这些蛋白是 Cas1 的可能性，并对两个模型的预测分数进行综合分析。经过一系列严格的验证步骤，最终确定了 17 个高可信度的 Cas1 蛋白。在这些蛋白中，排名靠前的预测分数大多属于 Cas1 蛋白，这充分验证了模型的有效性。不过，对于一些长度小于 250aa 的蛋白，模型的预测效果相对较差，这可能与训练数据集中短序列蛋白的代表性不足有关 。
- 模型性能评估：研究人员使用 ROC（受试者工作特征曲线）和 AUC（ROC 曲线下面积）对模型性能进行评估。结果显示，在训练过程中，Model 1 和 Model 2 的 AUC 值都呈现出良好的增长趋势，表明模型能够快速收敛并有效提取特征。在不同的测试数据集上，两个模型也都展现出了较好的性能，尽管在某些数据集上由于蛋白序列长度或蛋白类型差异等原因，性能会有所波动，但整体表现依然令人满意。此外，通过与其他方法（如 CRISPRCasFinder 等）的对比，进一步证明了该研究方法在识别 Cas1 蛋白，尤其是长度≤400aa 的 Cas1 蛋白方面具有优势 。
- 消融分析：为了探究模型中不同组件的作用，研究人员进行了消融分析。结果发现，DMPNN 的定向消息传递机制对模型性能至关重要，替换为标准 MPNN 后，模型性能显著下降；节点特征和边特征也对模型性能有重要影响，去除节点特征或使边特征同质化都会导致模型 AUC 值明显下降，其中边特征作为分子图的核心拓扑描述符，对模型性能起着决定性作用 。
- 独立数据集测试：研究人员在精心挑选的独立数据集上进行测试，结果表明 Model 2 在识别 Cas1 蛋白方面表现更可靠，但由于算法本身存在不确定性，建议采用双模型共识方法来提高预测的稳健性。同时，研究还发现模型对不同生物物种的预测效果存在差异，对细菌的预测较为准确和稳定，而对古菌和噬菌体的预测则存在一定的局限性 。
综合研究结论和讨论部分，这项研究具有重要意义。它成功开发出一种基于 GNNs 和 SMILES 编码的 Cas1 蛋白识别新策略，为 CRISPR-Cas 系统的研究和应用提供了有力的工具。该策略不仅能够更准确地识别 Cas1 蛋白，还有望扩展到其他类型 Cas 蛋白的预测，进一步丰富基因编辑的工具库。此外，研究还强调了 SMILES 编码在生物大分子研究中的通用性，为蛋白质研究及其他相关领域的计算应用开辟了新的途径。不过，研究也存在一些局限性，如数据集中长序列蛋白数据不足、部分蛋白注释可信度有待提高、模型复杂度较高以及负样本多样性不够等问题。未来的研究可以针对这些问题进行优化和改进，推动该领域的进一步发展，让我们对 CRISPR-Cas 系统这一神奇的 “基因编辑神器” 有更深入的了解和更广泛的应用。
