基于深度学习的稻蛋白质-蛋白质相互作用预测框架RCNNricePPI

《Amino Acids》：RCNNricePPI: leveraging deep learning to predict rice protein-protein interactions for climate-responsive agriculture

摘要

蛋白质-蛋白质相互作用（PPIs）是水稻细胞调控、代谢和应激反应通路的基础，但实验表征的相互作用网络仍不完整。在此，我们提出了RCNNricePPI，一种基于序列的深度学习框架，用于预测水稻PPI。该框架将word2vec推导的氨基酸嵌入与融合了卷积和双向门控循环单元的双胞胎循环卷积神经网络相结合。水稻PPI数据从公开的相互作用资源中整理获得，随后移除了自相互作用、冗余对和低质量序列。为减少蛋白质层面的信息泄漏，模型开发和评估采用了蛋白质感知的分区策略，包括蛋白质不相交的五折交叉验证和独立的留置测试集。在分类阈值为0.40时，RCNNricePPI的准确率为0.8996，平衡准确率为0.7451，AUROC为0.8295，而基线逻辑回归的值分别为0.6459、0.6964和0.7820。基于蛋白质新颖性进一步评估了性能，两种均见过、一种未见和两种均未见的蛋白质对的AUROC值分别为0.9259、0.7995和0.7340。架构消融实验和传统机器学习比较进一步支持了整合架构的贡献。RCNNricePPI已实现为可访问的基于Web的资源，为优先筛选候选相互作用以供后续实验研究提供了框架。RCNNricePPI可免费提供，网址为riceppi.biodb.in。