基于深度学习的泛素化位点预测新架构ResUbiNet：机制解析与疾病关联研究的突破

针对泛素化(ubiquitination)位点预测难题，研究人员开发了融合ProtTrans语言模型、BLOSUM62矩阵和多模块架构（Transformer/Multi-kernel CNN/SE模块）的ResUbiNet模型。该模型在交叉验证和外部测试中性能超越hCKSAAP_UbSite等现有工具，为揭示泛素化机制及相关疾病病理提供新范式。

　　

泛素化(ubiquitination)作为一种关键翻译后修饰，在蛋白质降解、细胞信号转导、DNA修复和细胞周期调控中发挥核心作用。本研究提出的ResUbiNet深度学习架构，创新性地整合了蛋白质语言模型(ProtTrans)、氨基酸理化特征和BLOSUM₆₂矩阵进行序列嵌入，并采用Transformer模块、多尺度卷积核(Multi-kernel CNN)、残差连接(Residual Connection)和通道注意力机制(Squeeze-and-Excitation)实现特征提取。

实验结果表明，在交叉验证和独立测试集中，ResUbiNet的预测性能显著优于hCKSAAP_UbSite、RUBI等现有工具。该架构通过融合前沿特征工程与深度学习组件，不仅提升了泛素化位点预测精度，更为解析泛素化相关疾病（如癌症、神经退行性疾病）的分子机制提供了新工具。研究涉及的ProtTrans预训练模型和BLOSUM₆₂编码策略，为其他翻译后修饰预测研究提供了可借鉴的技术路线。