《Briefings in Bioinformatics》：EvoGraph: synergizing evolutionary semantics and tail-aware graph contrastive learning for protein–protein interaction prediction
编辑推荐：
多标签蛋白质-蛋白质相互作用（protein-protein interaction, PPI）的准确预测对于解析分子机制和加速药物发现至关重要。然而，现有方法常受限于相互作用类型固有的长尾分布，导致在罕见但生物学上关键的类别上泛化能力较差。为解决这一挑战，研
多标签蛋白质-蛋白质相互作用（protein-protein interaction, PPI）的准确预测对于解析分子机制和加速药物发现至关重要。然而，现有方法常受限于相互作用类型固有的长尾分布，导致在罕见但生物学上关键的类别上泛化能力较差。为解决这一挑战，研究人员提出EvoGraph，一个协同深度进化语义与尾部感知图表示学习的新型框架。具体而言，EvoGraph首先利用预训练蛋白质语言模型建立语义基础，以补偿稀有类别中的稀疏信号。基于解耦复杂相互作用类型并缓解头部类别主导性的关键需求，研究人员整合了两个核心机制。为解决不同类型相互作用的异构性，研究人员设计了一个多视图图神经网络（multi-view graph neural network, MVGNN）编码器，用于聚合类型特定的拓扑上下文。同时，为应对标签不平衡，研究人员引入尾部感知对比学习（tail-aware contrastive learning, TCL）模块，通过对少数类样本进行聚类来正则化潜在空间，有效防止其被头部类别掩盖。最后，这些特征通过混合融合策略进行合成，并使用非对称损失（asymmetric loss, ASL）进行优化。在四个基准数据集上的大量实验表明，EvoGraph显著优于最先进的基线方法，在不牺牲整体性能的前提下，在识别尾部相互作用类型方面取得了实质性改进。EvoGraph的实现可在https://github.com/AlphaZYL/EvoGraph获取。
论文解读文章
一、研究背景与问题
蛋白质-蛋白质相互作用（protein-protein interaction, PPI）是几乎所有生物过程的基础。精确识别这些相互作用不仅对解析蛋白质功能和疾病病理的分子机制至关重要，也为药物靶点发现和治疗设计奠定基础。然而，PPI数据固有的长尾分布给计算建模带来了巨大障碍。在真实生物网络中，某些相互作用类型（如binding）占据主导地位，而其他类型（如expression）则十分稀少。这种节点度和相互作用类型的不平衡增加了实验成本，并严重限制了计算模型的预测精度。
过去几十年，酵母双杂交和共免疫沉淀等湿实验方法为PPI研究提供了基础，但这些方法往往劳动密集、通量低且易产生高假阳性率。为克服这些局限，早期机器学习方法如支持向量机和随机森林被广泛采用，但依赖手工特征，难以捕捉复杂的非线性相互作用模式。
深度学习通过自动化特征提取推进了PPI预测。现有方法大致分为两类：基于序列的方法和基于结构的方法。基于序列的方法利用卷积神经网络和循环神经网络捕捉局部基序和长程依赖；受自然语言处理启发，ESM-2和ProtBert等大规模预训练语言模型通过在数亿条序列上进行掩码语言建模，生成富含进化与功能语义的上下文嵌入。基于结构的方法采用图神经网络（graph neural network, GNN）建模蛋白质拓扑或空间几何。尽管AlphaFold3改善了预测结构的可获取性，基于结构的方法仍受限于对原子坐标的依赖，这类数据的频繁缺失和高计算开销限制了方法在大规模数据集上的可扩展性。
值得注意的是，大多数现有方法忽视了固有的类别不平衡，导致预测偏向头部类别。虽然BaPPI等研究尝试利用反对称图卷积网络缓解这一问题，但针对在特征空间中显式优化尾部样本分布的研究仍然有限。
二、研究内容与结论
针对上述挑战，研究人员提出EvoGraph，一个高效且鲁棒的PPI预测框架。该框架首先利用预训练ESM-2模型提取深层进化语义信息以增强特征表示；其次构建两个核心模块：多视图GNN编码器通过聚合不同视角的上下文来解决结构异质性，尾部感知对比学习（tail-aware contrastive learning, TCL）机制专门缓解头部类别主导性。与传统重加权策略不同，该方法构建尾部标签相似性矩阵来正则化潜在空间，显式聚类少数类样本，防止其在稀疏监督下被头部类别淹没。最后，采用拼接与乘法（concatenation and multiplication, CnM）融合策略进行多标签预测。在四个不同设置下的PPI数据集上的大量实验表明，EvoGraph在多标签PPI预测中优于其他最先进方法，尤其在稀有类别上表现突出，验证了其在建模不平衡生物网络中的鲁棒性。
三、关键技术方法
研究人员采用了以下主要技术方法：其一，利用150M参数规模的预训练ESM-2蛋白质语言模型提取残基级特征，通过平均池化获得全局蛋白质嵌入，并经由多层感知机（multilayer perceptron, MLP）投影头映射到任务特定潜在空间，ESM-2参数保持冻结而投影头参与微调。其二，构建多视图GNN编码器，将图分解为C个类型特定子图，每个视图部署基于GraphSAGE层的专用GNN，最后一层采用反对称卷积配合Tanh激活和批归一化，并通过密集连接策略保留多尺度特征。其三，设计TCL模块，将节点特征投影到对比空间并归一化，通过聚合节点所有关联边的标签构建节点级多热标签画像，构造尾部标签相似性矩阵定义正样本对，采用监督对比损失正则化潜在空间。其四，采用CnM融合策略整合节点对表示，并使用非对称损失（asymmetric loss, ASL）进行优化，其中正负样本聚焦参数分别设为0和4，裁剪边距为0.05。数据集来源于STRING数据库，包括人类来源的SHS27K（1690个蛋白质，12517个相互作用）和SHS148K（5189个蛋白质，44488个相互作用），以及酿酒酵母来源的SYS30K（2685个蛋白质，30074个相互作用）和SYS60K（3549个蛋白质，60357个相互作用），涵盖反应、结合、翻译后修饰、激活、抑制、催化和表达七种相互作用类型。
四、研究结果
基准分析。 在BFS和DFS两种划分方案下，EvoGraph在八个实验设置中的七个取得最高Micro-F1分数。在人类数据集上，EvoGraph优于HI-PPI和BaPPI等强基线；在酵母数据集上提升更为显著，例如在SYS30K的BFS划分下，EvoGraph达到91.14%，超过第二名HI-PPI（85.49%）达5.65个百分点。
尾部类别性能。 通过Macro-F1等指标评估，EvoGraph在稀有相互作用类型上表现出显著优势，验证了TCL模块对尾部类别特征空间正则化的有效性。
消融研究。 对核心组件的消融实验表明，多视图GNN编码器和TCL模块各自对整体性能均有贡献，二者协同作用时效果最佳。
超参数敏感性分析。 在SHS27K数据集的BFS划分下，对尾部对比损失权重、尾部类别频率阈值和对比温度进行了敏感性分析，验证了默认参数设置的合理性。
五、讨论与结论
讨论部分指出，EvoGraph通过深度进化语义建立强特征基础，避免手工特征的同时为下游图学习提供坚实基础。多视图GNN与TCL的联合设计统一解决了结构多样性和标签不平衡问题。与现有方法相比，EvoGraph不将所有相互作用统一对待，而是通过多视图GNN显式解耦类型特定的异构结构，并通过对比学习正则化少数类空间，这是与BaPPI等先前方法的本质区别。
研究结论表明，EvoGraph在四个多标签PPI基准数据集上显著优于现有最先进方法，特别是在稀缺类别上取得实质性改进，同时不牺牲整体性能。该框架验证了在建模不平衡生物网络中的鲁棒性，为PPI预测领域提供了一种有效的新范式，其实现已公开发布于GitHub以供社区使用。
