基于预训练蛋白质语言模型嵌入的固氮酶活性预测模型NFEmbed：推动生物肥料开发的机器学习新方法

本研究针对合成氮肥过度使用导致的环境问题，开发了基于蛋白质语言模型(PLM)嵌入的NFEmbed-C/R堆叠集成模型，通过ESMC_600M等特征筛选和增量互信息(IMI)算法优化，实现了对微生物固氮酶活性的高效预测。分类模型NFEmbed-C测试集灵敏度达0.949，回归模型NFEmbed-R的R2达0.783，较现有方法提升显著。SHAP分析揭示了nifX、rnfA等关键基因及Trp、His等氨基酸残基的作用机制，为生物肥料开发提供了新工具。

　　

全球粮食安全面临严峻挑战，2023年约7.33亿人面临饥饿，而合成氮肥的过度使用导致土壤退化、富营养化等环境问题。固氮微生物作为生物肥料的潜力巨大，其核心酶——固氮酶(nitrogenase)能将大气氮转化为氨，但该酶活性预测存在瓶颈。传统方法Carmna模型在特征利用和集成策略上存在局限，特别是未能充分挖掘不同蛋白质语言模型(Protein Language Model, PLM)嵌入的潜力。

为解决这些问题，Md Muhaiminul Islam Nafi团队开发了NFEmbed模型体系。研究收集了402个样本的固氮酶活性数据（单位：nmol C₂H₄/mg蛋白/小时），通过增量特征选择(IFS)确定最优特征组合：分类任务采用"ESMC_600M, CT, RSCU, Copy_number, Gene_distance"，回归任务采用"ESMC_600M, Gene_distance, Euclidean_distance, Copy_number, Expression"。基于增量互信息(IMI)选择基学习器，最终构建了KNN-RF堆叠的NFEmbed-C分类模型和DTR-XGBR-SVR堆叠的NFEmbed-R回归模型。

关键技术方法

1. 1.

   使用ESMC_600M等6种PLM嵌入提取蛋白质序列特征

2. 2.

   开发增量特征选择(IFS)算法优化特征组合

3. 3.

   基于互信息(IMI)的堆叠集成架构设计

4. 4.

   SHAP可解释性分析揭示关键生物标志物

5. 5.

   5折交叉验证结合30次重复实验确保稳健性

主要研究结果

3.1 特征选择结果

ESMC_600M嵌入在5折CV中表现最优，分类任务F1达0.854，回归任务R²达0.531。30次重复实验验证了其稳定性（图2）。

3.2 模型选择结果

KNN基学习器在分类任务中互信息最高(0.3878)，DTR-XGBR组合在回归任务达0.7521。RF和SVR分别作为最优元学习器（图3）。

3.3 与现有方法比较

NFEmbed-C测试集灵敏度(0.949)比Carmna提高8.8%，MCC达0.784；NFEmbed-R的R²(0.783)提升40.6%，MSE降低51%（表6-7）。

3.4 SHAP可解释性分析

关键基因nifX（FeMo-co合成）、rnfA（电子传递）和氨基酸Trp-444（FeMo-co稳定）被识别为重要特征（图7-8）。BLP特征在堆叠模型中贡献度最高（图9）。

结论与意义

该研究通过创新性地整合PLM嵌入与堆叠集成学习，建立了目前最精准的固氮酶活性预测体系。t-SNE可视化显示NFEmbed-C能有效分离高/低活性样本（图4），回归分析证实NFEmbed-R预测值与实验值高度线性相关（图6）。发现的nifX、rnfA等关键靶点为合成生物学改造固氮菌提供了新方向，而Trp、His等残基的识别有助于理解酶活性调控机制。开源工具NFEmbed为生物肥料开发提供了高效筛选平台，相关成果发表于《Bioinformatics Advances》。

研究仍存在数据量有限、未进行PLM微调等局限，未来可通过扩大样本规模、整合AlphaFold结构特征等进一步优化。该工作展示了人工智能在可持续农业中的转化应用潜力，为减少合成氮肥依赖提供了新思路。