《Frontiers in Bioinformatics》：SelCysML: a hybrid ML-BLAST pipeline for the automated identification and functional annotation of bacterial selenoproteins
编辑推荐：
硒蛋白以通过UGA密码子重编码掺入硒代半胱氨酸（Sec）为特征，在氧化还原稳态和酶催化中发挥重要作用。尽管具有重要的生物学意义，其计算识别仍具挑战性，近期评估证实公共数据库存在广泛的注释错误，常导致这些蛋白质被错误分类。当前的预测工具通常以可解释性有限的“黑箱
硒蛋白以通过UGA密码子重编码掺入硒代半胱氨酸（Sec）为特征，在氧化还原稳态和酶催化中发挥重要作用。尽管具有重要的生物学意义，其计算识别仍具挑战性，近期评估证实公共数据库存在广泛的注释错误，常导致这些蛋白质被错误分类。当前的预测工具通常以可解释性有限的“黑箱”方式运行，或缺乏整合的功能验证层，这导致了高假阳性率和硒蛋白组注释中持续存在的模糊性。研究人员提出了SelCysML，一种易于使用且高准确度的计算流程，该流程整合了机器学习（ML）模型集成与基于BLAST的并行功能验证模块。通过利用经整理的理化描述符——氨基酸组成（AAC）和组成、转变、分布（CTDC）——该模型实现了稳健的性能，AUC-ROC为0.968，马修斯相关系数（MCC）为0.787。SelCysML不仅对蛋白质序列进行分类，还通过序列相似性提供功能证据，有效弥合了自动预测与实验生物学见解之间的鸿沟。SelCysML为蛋白质组数据集中细菌硒蛋白的识别提供了一种用户友好、可解释且精确的解决方案，可作为生物信息学家和实验生物学家的可靠工具。
论文解读：SelCysML——基于混合机器学习与BLAST的细菌硒蛋白自动识别与功能注释
硒蛋白是一类含有第21种氨基酸硒代半胱氨酸（Sec）的蛋白质，其通过UGA密码子重编码掺入，在氧化还原稳态和酶催化中发挥重要作用。然而，由于UGA通常作为终止密码子，硒蛋白的计算识别非常困难。近期评估表明，公共数据库的注释存在广泛错误，常将硒蛋白误分类为截短蛋白或普通蛋白。现有的预测工具如deep-Sep虽然灵敏度高，但多采用缺乏可解释性的“黑箱”模式，仅基于从头概率分类，没有整合功能验证，因而假阳性率较高，导致硒蛋白组注释持续存在模糊性。针对这些问题，研究人员开发了SelCysML，一个可解释的三层混合流程，用于细菌硒蛋白的高精度识别与功能注释。
研究人员构建了一个包含15,000个硒蛋白和15,000个对照蛋白的非冗余平衡数据集。硒蛋白序列来源于BSepDB，该数据库涵盖超过57,000个硒蛋白条目、111个家族和16,621种细菌；对照蛋白来自UniProt，采用多域过滤策略并排除含“Selenocysteine”关键字的条目，同时建立了细菌专属对照集。为避免数据泄漏，使用CD-HIT在70%序列同一性阈值下进行全局聚类，然后划分训练集和测试集。所有序列经过清洗，Sec（U）被归一化为半胱氨酸（C），以模拟真实基因组注释中UGA被误判为终止密码子的情况，仅保留长度至少40个氨基酸的序列。模型整合了XGBoost、Ranger、Kernlab和KKNN等多种算法，并利用氨基酸组成（AAC）和组成、转变、分布（CTDC）两类理化描述符。在独立测试集上，通用模型达到AUC-ROC为0.968、马修斯相关系数（MCC）为0.787的性能；细菌专用模型性能更优，AUC-ROC为0.977，MCC为0.843。SelCysML不仅输出分类概率，还通过双BLAST策略对比BSepDB和UniProt数据库提供功能证据，计算置信指数（CI）并将预测标记为“已验证”、“潜在假阳性”或“潜在假阴性”。这一设计弥合了自动预测与实验生物学验证之间的鸿沟，为生物信息学家和实验生物学家提供了准确、可解释的工具。
在主要关键技术方面，研究人员使用CD-HIT进行序列去冗余并划分训练/测试集；利用protr包在R中计算AAC和CTDC描述符；基于tidymodels框架构建集成机器学习模型，采用step_downsample处理类别不平衡；第三层使用双BLAST策略进行证据交叉验证，结合本地BSepDB和UniProt数据库，最终计算置信指数（CI）和证据状态。该方法无需依赖核苷酸上下文，适用于宏基因组筛选。
结果部分包括两个小节：
3.1 性能评估：在平衡测试集上评估通用模型与细菌专用模型。通用模型敏感性为0.973，特异性为0.803，平衡准确率为0.888；细菌专用模型敏感性为0.965，特异性为0.875，平衡准确率为0.920。结果表明，细菌专用模型对细菌环境具有更高的判别能力，验证了域适应架构的合理性。
3.2 功能证据与注释：第三层证据交叉验证采用双BLAST策略，将机器学习输出与专用数据库对比，通过证据逻辑将结果分类为“已验证”、“潜在假阳性”或“潜在假阴性”。该层能识别与非硒蛋白酶（如分支酸合酶）具有生物同源性的序列，从而过滤具有复杂氧化还原活性基序的蛋白质。因此，每个预测不仅获得统计支持，还得到生物学验证。
讨论部分指出，可解释集成方法能够达到甚至超过深度学习模型的预测能力。与deep-Sep相比，SelCysML的三层架构提供了功能透明度；而通过关注理化描述符而非严格序列相似性，该工具能够发现新型或高度分化的硒蛋白。尽管采用U→C归一化，但模型仍取得了高判别性能，说明Sec残基侧翼的序列上下文含有足够信息。针对潜在的系统发育混杂因素，细菌专用模型匹配了域特异性阴性对照，成功将硒蛋白特征与全生命域组成差异分离。研究发现80.3%特异性意味着部分假阳性出现在与硒蛋白共享结构基序的蛋白质中，例如含氧化还原活性半胱氨酸富集结构域的蛋白。第三层在这些情况下充当自动保护机制，将这些序列标记以供专家检查。STRING-db功能富集分析显示，这些被标记的蛋白在RNA加工、甲基转移酶活性和氧化还原相关酶功能中显著富集，与半胱氨酸和硒代半胱氨酸相似理化性质导致的分类难题一致。因此，这些结构类似物代表具有生物学意义的靶点，而非分类误差。
结论部分可翻译为：SelCysML提供了一个稳健、可解释且可重现的R/Shiny框架，用于细菌硒蛋白的高精度识别与功能注释。通过集成基于机器学习的集成流程与严格的三层架构，并以证据交叉验证模块为顶峰，研究人员提供了一种弥合统计概率与生物学洞察之间鸿沟的解决方案。通过解决“黑箱”深度学习模型常伴随的可重现性和透明度问题，SelCysML在硒蛋白组的自动探索中迈出了重要一步。该工具能标记结构类似物供专家检查，而不是提供模糊的分类，从而将计算筛选转变为可靠的功能发现平台。凭借其用户友好的界面、本地独立验证数据库和透明的证据架构，SelCysML有望在科学界得到广泛采用，并加速新硒蛋白的发现。
