《Molecular & Cellular Proteomics》：ProCAS: Multi-Lysine Post-Translational Modification Site Prediction Based on the SPUS Algorithm and the ProCAS Architecture
编辑推荐：
在翻译后修饰（PTM）中，赖氨酸残基上的多种化学修饰因其动态性和可逆性而受到广泛关注。尽管质谱技术能够准确识别修饰位点，但其高技术要求和有限的通量限制了大规模应用。近年来，深度学习的进展为赖氨酸修饰的高通量预测提供了新策略。然而，现有大多数方法在多种赖氨酸修饰
在翻译后修饰（PTM）中，赖氨酸残基上的多种化学修饰因其动态性和可逆性而受到广泛关注。尽管质谱技术能够准确识别修饰位点，但其高技术要求和有限的通量限制了大规模应用。近年来，深度学习的进展为赖氨酸修饰的高通量预测提供了新策略。然而，现有大多数方法在多种赖氨酸修饰类型的同步预测、蛋白质水平上下文表征以及由数据分布不平衡引起的预测偏差方面仍存在局限性。
为应对这些挑战，研究人员开发了一种名为ProCAS的智能预测系统。该系统整合了多维特征工程，包括：（1）源自序列信息的MLPSTAAP特征矩阵；（2）表征蛋白质序列理化性质的CTD描述符；（3）由ESM-2生成的深度表征。一种专门设计的SPUS算法在数据分布层面执行动态平衡优化，从而增加稀有修饰样本的建模贡献。ProCAS神经架构结合了四个核心组件，包括双向长短期记忆网络（bidirectional LSTM）、Self-Highway门控模块、通道注意力和多头自注意力机制。该设计能够有效捕获局部和全局序列上下文及其与修饰相关功能的复杂关联。进一步应用双线性映射分类器联合输出四种赖氨酸修饰类型的概率分布。
详细的消融分析表明，SPUS模块在缓解数据不平衡方面起决定性作用，而ProCAS架构有效建立了序列特征与修饰类型之间的深层关联。此外，基于SHAP的可解释性分析被系统性地用于检验多标签预测的决策机制。结果表明，ESM-2特征在不同修饰类型间提供了清晰的标签特异性贡献，而CTD特征捕获了全局理化性质模式，共同解释了赖氨酸修饰的局部序列信号和更广泛的理化决定因素。代码和数据集可在https://github.com/Lilyjoys/ProCAS获取，免费网络平台提供于http://www.mlysprocas.com。
论文解读
研究背景与问题
蛋白质翻译后修饰（PTM）是生物系统中至关重要的调控机制，指蛋白质生物合成完成后在特定氨基酸残基上发生的共价化学修饰。这些精确的修饰过程调控蛋白质的理化性质，进而控制结构稳定性、功能活性、分子相互作用和亚细胞定位。在氨基酸残基中，赖氨酸因其侧链上活跃的氨基而具有高反应性，成为多种PTM类型的主要靶标，包括乙酰化赖氨酸、巴豆酰化赖氨酸、甲基化赖氨酸和琥珀酰化赖氨酸。这些修饰的失调与肿瘤进展、代谢紊乱和神经退行性疾病密切相关。
尽管高分辨率质谱能够准确识别修饰位点，但其高实验成本、复杂流程和有限的数据通量严重限制了大规模蛋白质组学研究。这一技术局限凸显了计算生物学中开发高效且经济有效的预测方法以支持大规模蛋白质序列数据快速分析的迫切需求。值得注意的是，现有的大多数研究采用单一修饰类型建模策略，忽略了赖氨酸残基上多种修饰共存这一常见现象。多项研究已通过质谱实验证实不同修饰类型之间存在显著重叠，例如在大肠杆菌、酿酒酵母、人宫颈癌细胞和小鼠肝细胞中琥珀酰化与乙酰化存在显著重叠，在谷氨酸棒杆菌中观察到40%的重叠，在枯草芽孢杆菌中报道了35%的两种修饰重叠。
已有多种代表性多标签模型被开发用于预测多种赖氨酸PTM位点，包括RMTLysPTM、MLysPRED、PreMLS和MlyPredCSED等。然而，这些方法仍存在若干局限性：第一，它们主要依赖手工设计的序列描述符，如残基对统计、K-mer模式、位置特异性倾向性和理化特征，这些描述符虽有助于捕获局部序列特征，但可能无法充分表征长程依赖、全局蛋白质上下文或结构语义；第二，虽然引入了不同的采样策略来缓解类别不平衡，但这些策略仍存在固有缺陷，例如过采样可能引入冗余或噪声合成样本，欠采样可能丢弃信息丰富的多数类样本，基于聚类的欠采样方法对聚类质量和采样比例敏感；第三，现有方法未能充分利用预训练蛋白质语言模型所学习的丰富上下文、进化和结构表征。
研究内容与核心发现
为解决上述技术挑战，研究人员开发了一种用于多赖氨酸修饰位点预测的智能系统ProCAS。该系统整合了基于互信息和支持点的统计欠采样（SPUS）算法与ProCAS深度神经网络。其核心技术进展体现在三个方面：采用多尺度特征融合策略，结合基于位置的多标签位置特异性三联氨基酸倾向性（MLPSTAAP）特征、蛋白质语言模型ESM-2的语义向量和CTD生物物理描述符；应用SPUS算法在特征空间中平衡四种修饰类别的分布，有效缓解类别不平衡导致的模型偏差；设计具有层次信息处理能力的ProCAS深度架构以提升预测精度。
在数据预处理方面，研究人员从CPLM 4.0数据库收集人类蛋白质赖氨酸中心序列，经冗余缩减和数据集划分后，训练集包含12,983个肽段样本，独立测试集包含5,662个肽段样本，总计18,645个非冗余赖氨酸中心肽段样本。每个样本为以赖氨酸为中心的49残基肽段片段，包含上游24个残基、中心赖氨酸和下游24个残基。为防信息泄漏，研究人员在训练/测试划分前执行严格的冗余缩减和同源性控制流程，包括去除100%相同的49残基肽段，以及应用CD-HIT聚类（序列同一性阈值0.4）。四种平行且独立的标记方案被应用于构建四种赖氨酸修饰类型的二分类数据集。乙酰赖氨酸预测中，阳性样本为11,131个、阴性样本为1,852个；巴豆酰赖氨酸预测中，阳性样本为2,039个、阴性样本为10,944个；甲基赖氨酸预测中，阳性样本为1,165个、阴性样本为11,818个；琥珀酰赖氨酸预测中，阳性样本为1,341个、阴性样本为11,642个。
关键技术方法
研究人员采用多维特征融合策略，系统比较了七种代表性特征提取方法后，选择ESM-2、CTD和MLPSTAAP构建互补特征融合框架。ESM-2是Meta AI发布的大规模蛋白质语言模型，基于深度Transformer架构，通过自监督掩码语言建模在大型蛋白质序列数据集上训练，能够捕获氨基酸序列中编码的进化信息并建模序列与结构之间的复杂关系。CTD是一种经典的蛋白质序列统计特征提取方法，将20种氨基酸根据特定理化性质分为三类，计算组成（Composition）、转换（Transition）和分布（Distribution）三类统计特征。MLPSTAAP基于先前研究，通过计算每个位置上三联氨基酸在各类赖氨酸序列中的频率矩阵来捕获隐藏信息。SPUS算法在特征空间中执行分布保持的下采样策略，减少冗余样本同时保留底层分布结构。ProCAS神经架构结合双向LSTM、Self-Highway门控模块、通道注意力和多头自注意力机制，有效捕获蛋白质序列的局部和全局上下文结构及其与修饰功能的复杂关联。
研究结果
特征编码方法比较：在七种特征提取方法的系统比较中，传统特征如CTD和MLPSTAAP显示出较高的任务相关性，直接反映与修饰位点密切相关的局部理化环境和短程序列模式。MLPSTAAP在灵敏度（SN）、准确率（ACC）、马修斯相关系数（MCC）和F1分数上均取得最佳性能，分别为0.7936、0.8521、0.7126和0.8500。CTD在特异性（SP）上表现最佳（0.9594），但准确率较低（0.5331）。ESM-2等蛋白质语言模型的整体性能与传统特征方法相当，未显示一致性优势。
消融分析：SPUS模块在缓解数据不平衡方面起决定性作用，而ProCAS架构有效建立了序列特征与修饰类型之间的深层关联。详细的消融实验证实了各核心组件的贡献。
SHAP可解释性分析：基于SHAP的可解释性分析被系统性地用于检验多标签预测的决策机制。结果表明，ESM-2特征在不同修饰类型间提供了清晰的标签特异性贡献，而CTD特征捕获了全局理化性质模式，共同解释了赖氨酸修饰的局部序列信号和更广泛的理化决定因素。
讨论与结论
该研究通过整合多维特征工程、SPUS数据平衡算法和ProCAS深度架构，有效解决了多赖氨酸修饰同步预测中的类别不平衡和蛋白质级表征学习问题。研究结果表明，SPUS模块在缓解数据不平衡方面发挥决定性作用，ProCAS架构能够有效建立序列特征与修饰类型之间的深层关联。ESM-2特征提供标签特异性贡献，CTD特征捕获全局理化性质模式，两者互补地解释了赖氨酸修饰的决定因素。该系统为多赖氨酸翻译后修饰位点的高通量预测提供了可靠的计算工具，对疾病相关分子机制研究和药物靶点发现具有重要的转化医学价值。代码和数据集已公开提供，并建立了免费网络平台供研究者使用。
