多尺度特征融合的语言模型嵌入方法，用于提升线粒体蛋白质定位的预测精度 王荣（Rong Wang）、 王梦华（Menghua Wang）、 吴一波（Yibo Wu）、 杨立翔（Lixiang Yang） 以及 王晓（Xiao Wang）

《Algorithms》：Multi-Scale Feature Mixing of Language Model Embeddings for Enhanced Prediction of Submitochondrial Protein Localization Rong Wang, Menghua Wang, Yibo Wu, Lixiang Yang and Xiao Wang

　　

摘要

准确预测线粒体的定位对于理解线粒体的生物发生和细胞代谢途径至关重要。虽然来自预训练蛋白质语言模型（pLMs）的深度表示方法已经显著推动了这一领域的发展，但传统的全局平均池化方法往往无法捕捉到关键的、定位于线粒体N端的信号，尤其是在这些信号在长序列中会被数学上稀释的情况下。为了解决这一“信号稀释”问题，我们开发了一种多尺度架构，该架构将高分辨率的N端特征与来自ESM-2嵌入的全局进化背景明确地结合在一起。所提出的框架采用了一种正交混合策略，包括Token混合和Channel混合。Token混合专门用于检测残基位置之间的空间节奏模式，而Channel混合则精细化了潜在特征空间中的生化特征。通过对多种数据集的广泛测试表明，我们的方法有效保持了信号的完整性。与现有的最先进方法相比，该模型在SM424-18数据集上的泛化相关系数（GCC）达到了0.7443，在SubMitoPred数据集上达到了0.7878，分别比最新的基准方法高出9.4%和16.1%。此外，在独立的M983测试集上，我们的方法保持了0.6945的较高GCC，相比最先进的方法提高了9.9%。这一强大且高效的框架为大规模线粒体蛋白质组学研究提供了一个高精度的工具。