基于多蛋白语言模型嵌入的StackGlyEmbed算法：N-连接糖基化位点预测新突破

本研究针对N-连接糖基化位点实验检测成本高、现有预测方法性能不足的问题，开发了集成ProtT5-XL-U50、ESM-2和ProteinBERT多模型嵌入特征的StackGlyEmbed算法。该模型通过堆叠SVM/XGB/KNN基学习器和SVM元学习器，在独立测试中实现98.2%灵敏度、92.5%平衡准确率和82.6%MCC值，显著超越现有方法，为糖蛋白功能研究提供了高效计算工具。

　　

在生命活动中，蛋白质的N-连接糖基化（N-linked glycosylation）是一种关键的翻译后修饰（PTM），它通过寡糖链与天冬酰胺（Asn/N）共价结合，参与蛋白质折叠、免疫应答和细胞通讯等重要过程。这种修饰通常发生在高度保守的N-X-S/T序列（X≠脯氨酸）中，但令人困扰的是，含有该序列的位点并非都会被糖基化。传统质谱检测方法虽然准确，但耗时耗力且成本高昂，而现有计算方法要么依赖人工设计特征导致偏差，要么未能充分利用序列上下文信息。

针对这一挑战，孟加拉国工程技术大学（BUET）和联合国际大学（UIU）的研究团队在《Bioinformatics Advances》发表了创新性成果。研究者开发了名为StackGlyEmbed的堆叠集成模型，首次整合ProtT5-XL-U50、ESM-2和ProteinBERT三种蛋白语言模型（PLM）的嵌入特征，通过系统特征选择和模型优化，在N-GlyDE和N-GlycositeAtlas数据集上实现了超越现有方法的预测性能。

研究采用的关键技术包括：1）从UniProt获取的人类糖蛋白数据集构建与CD-HIT去冗余；2）ProtT5-XL-U50（1024维）、ESM-2（1280维）和ProteinBERT（512维）的序列嵌入特征提取；3）增量特征选择（IFS）确定最优特征组合；4）基于互信息的SVM/XGB/KNN基学习器选择与SVM元学习器构建；5）SHAP值分析解释模型决策机制。

特征选择与模型构建
通过增量特征选择（IFS）确定ProteinBERT全局嵌入、ESM-2窗口（31残基）平均嵌入和ProtT5-XL-U50单残基嵌入的最优组合（FC-1）。当加入基学习器概率（BLP）形成FC-2特征集时，SHAP分析显示BLP贡献度最高（图6），证实了堆叠架构的有效性。

性能比较
在N-GlyDE独立测试集上，StackGlyEmbed以98.2%灵敏度（SN）、92.5%平衡准确率（BACC）和82.6%马修斯相关系数（MCC）全面超越LMNglyPred（74.7% SN）和DeepNGlyPred（72.5% SN）。特别在柔性区域糖基化位点预测中（如UniProt P05155蛋白的25、69、81位点），该模型展现出独特优势（图8），而其他方法仅能识别刚性结构域位点。

讨论与展望
该研究首次证明：1）融合多PLM嵌入能更全面捕捉糖基化序列特征；2）传统机器学习堆叠架构在中等规模数据集上优于深度学习；3）窗口特征（如ESM-2-Window）能有效捕获局部环境信息。虽然模型在跨数据集测试中表现受限（反映N-GlyDE与N-GlycositeAtlas的数据异质性），但合并数据集训练后性能显著提升，提示未来可通过迁移学习解决领域适应问题。

这项工作的现实意义在于：1）为缺乏三维结构数据的糖蛋白研究提供纯序列解决方案；2）开源工具（GitHub可获取）将加速糖生物学发现；3）建立的特征工程框架可拓展至其他PTM预测。正如研究者强调，该方法仅需序列信息即可实现高性能预测，使其在大规模组学研究中具有独特应用价值，为理解糖基化在疾病发生、疫苗设计等领域的分子机制提供了新工具。