AllerTrans：基于深度学习和蛋白质语言模型的变应原性预测新方法

为解决重组蛋白药物安全性评估中变应原性检测成本高、耗时长的问题，研究人员开发了基于深度学习的AllerTrans预测模型。该研究创新性地融合两种蛋白质语言模型(pLM)提取特征，通过深度神经网络实现分类，最终集成模型的灵敏度达97.91%，特异性达97.69%，ROC曲线下面积达99%，为变应原性预测提供了高效可靠的生物信息学工具。

　　

在生物医药领域，变应原性(allergenicity)评估是重组蛋白(recombinant proteins)临床应用前的关键安全指标。传统实验室检测方法不仅耗费资源，且难以应对日益增长的蛋白药物开发需求。AllerTrans研究团队另辟蹊径，将前沿的蛋白质语言模型(protein language models, pLM)与深度学习技术相结合，开创性地构建了双通道特征提取架构——通过两种不同的pLM分别生成蛋白质序列的特征向量(feature vectors)，再输入深度神经网络(deep neural network)进行精准分类。

该模型的创新之处在于特征融合(feature fusion)策略，不同pLM提取的互补性特征使分类性能显著提升。研究采用五折交叉验证(5-fold cross-validation)评估体系，最终集成模型交出了惊艳的成绩单：灵敏度(sensitivity)97.91%、特异性(specificity)97.69%、准确率(accuracy)97.80%，尤其是受试者工作特征曲线(ROC curve)下面积(AUC)高达99%，这些指标均超越现有预测工具。

目前，该团队已在Hugging Face平台部署了用户友好的网页工具，研究者只需输入蛋白质序列即可快速获得变应原性预测结果。这项研究为蛋白质安全性评估提供了新的范式(paradigm)，特别是对加速新型生物制剂的临床转化具有重要价值。