《Frontiers in Bioinformatics》：Prediction of lncRNA-protein interacting pairs using LLM embeddings based on evolutionary information
编辑推荐：
长链非编码RNA（lncRNA）与蛋白质的互作（LPI）参与转录调控、染色质重塑、细胞分化及胞内信号转导等多种细胞过程。已有若干计算方法用于预测lncRNA-蛋白质互作对，但多数既有模型基于早期版本的互作数据库构建，限制其对新表征互作的适用性。研究人员开发了一
长链非编码RNA（lncRNA）与蛋白质的互作（LPI）参与转录调控、染色质重塑、细胞分化及胞内信号转导等多种细胞过程。已有若干计算方法用于预测lncRNA-蛋白质互作对，但多数既有模型基于早期版本的互作数据库构建，限制其对新表征互作的适用性。研究人员开发了一种基于序列的预测框架，使用含128,374个互作对与等量非互作对的大规模非冗余数据集。初步尝试基于相似性的BLAST策略，因序列间低相似度而区分力不足；随后利用序列衍生特征与蛋白质语言模型嵌入构建卷积神经网络及机器学习模型。其中，整合lncRNA二核苷酸自相关（DACC）特征与蛋白质ESM-2-t30嵌入的CatBoost模型在训练集AUC达0.929，在同源性感知验证集AUC达0.692。结果表明，序列特征与蛋白质语言模型表征融合可有效支持LPI预测，同时揭示模型向低同源序列泛化的挑战。研究人员进一步构建了独立软件与lncrnaPI网络服务器，用于互作对预测、蛋白质组尺度lncRNA互作蛋白扫描及基因组尺度候选互作发掘。
研究背景与问题提出
长链非编码RNA（long non-coding RNA，lncRNA）指长度超过200 nt且蛋白质编码潜力有限的转录本，其生物学功能常通过形成核糖核蛋白复合物介导。实验技术如RNA免疫沉淀（RIP）与交联免疫沉淀（CLIP）变体虽可提供高置信互作图谱，但成本高、通量受限。已有计算方法多依赖早期NPInter v2.0小规模数据，且部分工具不可公开使用。因此，研究人员基于最新NPInter v5.0构建大规模非冗余数据集，系统比较相似性、机器学习与深度学习策略，开发可公开部署的lncRNA-蛋白质互作（LPI）预测工具lncrnaPI。
主要研究内容与结论意义
研究人员通过同源性感知划分、负样本抽样与多类特征工程，证明传统序列组成信息区分力有限，而LLM嵌入结合相关特征可提升预测性能。最佳CatBoost模型在独立验证中取得优于对比工具的判别能力，且SHAP分析显示模型捕获了具有生物学意义的界面特征。该研究为基因组尺度互作扫描与后续实验验证提供了可复用的计算平台。
关键方法概括
研究人员从NPInter v5.0提取人源lncRNA-蛋白质正样本，经序列长度与异常字符过滤、CD-HIT聚类与Jaccard功能相似度控制，构建同源性感知训练与验证集；负样本于各集合内随机配对且排除已知正互作。特征端使用Nfeature/Pfeature提取二核苷酸自相关（DACC）等统计特征，蛋白质侧采用ESM-2-t30与ESM-2-t33语言模型嵌入及PSSM进化信息，lncRNA侧采用DNABERT-2嵌入；模型端对比BLAST、随机森林、Extra Trees、XGBoost、CatBoost及双塔卷积神经网络（CNN），并以五折交叉验证与Optuna调参评估。
研究结果
3.1 组成分析
通过氨基酸与核苷酸频率统计，发现互作蛋白中甘氨酸、酪氨酸富集而亮氨酸缺失，单氨基酸预测准确约59%–60%；lncRNA碱基组成差异近随机。结论：蛋白质组成信号强于lncRNA碱基组成，但单独使用区分力中等。
3.2 基于比对方法性能
BLAST最佳匹配与投票策略仅对部分验证对返回显著命中，准确率约61.7%与63.9%。结论：低序列相似度下比对方法覆盖与判别力不足。
3.3 机器学习模型
CatBoost结合DACC与ESM2-t30训练AUC 0.929、验证AUC 0.692，为各特征组合最优。结论：语言模型嵌入配合相关序列特征具最佳泛化。
3.4 深度学习模型
双塔CNN在99分位长度（lncRNA 12,913 nt、蛋白2,390 aa）配置下验证AUC 0.674、MCC 0.248。结论：端到端序列学习可补充特征工程模型，但绝对指标略低于CatBoost。
3.5 特征消融
单特征评估中DACC对lncRNA、ESM2-t30对蛋白贡献最高；效应量显示lncRNA特征间差异大，蛋白嵌入间差异小。结论：DACC与ESM2-t30为最核心表征。
3.6 基于SHAP的生物推断
混合模型中蛋白结构柔性、暴露疏水区域贡献超半数SHAP重要性；LLM管道中DNABERT-2嵌入反占主导。结论：模型依赖已知RNA结合界面物理化学规律，而非单纯碱基计数。
3.7 与现有工具比较
在六款可运行序列工具中，lncrnaPI具最高AUC 0.692与MCC 0.163，且特异度与精度均衡。结论：现有方法多存在敏感度或特异度极端偏移，本研究框架更稳健。
3.8 快速扫描
仅用10种氨基酸与4种核苷酸组成的轻量模型验证AUC 0.601。结论：组成特征可支持蛋白质组/转录组尺度快速筛查。
3.9 服务器与独立程序
发布Web服务器、Python独立包与PyPI组件，接受FASTA输入。结论：提升方法可重复性与可及性。
讨论与结论翻译
讨论指出，相似性方法因低同源失效；CatBoost配合LLM上下文嵌入与相关特征提供最准框架，训练AUC 0.929、验证AUC 0.692。组成信号弱于上下文嵌入；双塔CNN可作无特征工程替代。领域内存量工具常不可复现或需辅助网络信息，而lncrnaPI仅需序列输入。局限包括负样本为随机配对可能含潜在真互作、非严格冷启动、长序列截断损失、未纳入结构与亚细胞语境。结论：本研究基于大规模更新数据与LLM嵌入集成，构建优于公开工具的可部署LPI预测方法，并通过服务器与独立软件推动实用化。
