《Analytical Biochemistry》：ISUMsite: Identification of sumoylation sites based on Smote-ENN resampling technique
编辑推荐：
sumoylation蛋白修饰位点识别方法创新，通过整合手工距离特征与预训练ProteinGLM模型，采用遗传算法优化融合权重，有效解决数据不平衡问题，在两个基准数据集上分别达到99.78%和87.65%的准确率，提供开源预测工具。
Bulanni Xiong|Minquan Wan|Yun Zuo|Youxu Tan
江南大学人工智能与计算机科学学院，教育部智能医疗技术工程研究中心，中国无锡，214122
摘要
SUMO化是一种可逆的翻译后修饰，它在调节蛋白质的各种生化功能中起着关键作用。SUMO化的失调与多种疾病有关，包括癌症和神经退行性疾病。识别SUMO化位点可以提供对这些疾病潜在机制的见解，并可能发现新的诊断和治疗靶点及策略。
然而，当前的研究面临一些挑战。主要问题是训练数据集存在不平衡，导致模型在预测多数类别时表现良好，但在预测少数类别时表现较差。此外，依赖单一特征表示或单一分类器可能会限制模型在处理异构数据集时的性能和鲁棒性。
本研究引入了一个更新的ISUMsite框架，通过整合手工制作的残基级描述符和预训练的蛋白质语言模型表示来识别SUMO化位点，并通过数据驱动的优化进一步提高模型性能。对于数据集1，我们保留了基于距离的残基特征提取策略（DR），并引入了ProteinGLM嵌入作为补充表示。然后使用遗传算法（GA）联合优化分类器超参数和加权概率融合的融合权重。最佳融合权重为DR:0.025和ProteinGLM:0.975，准确率（Acc）、精确度（Sp）、召回率（Sn）、查全率（MCC）和AUC值分别为99.78%、99.58%、99.98%和0.9956。对于数据集2，由于DR表现不佳且基于TDA的路径因方法限制而被移除，我们训练了一个仅使用ProteinGLM的预测器，并使用RandomizedSearchCV（RSCV）以准确率为优先标准搜索最佳超参数。最终模型在独立测试集上的准确率、精确度、召回率、查全率和AUC值分别为87.65%、94.29%、81.01%、0.7597和0.9254。为了方便使用，本研究开发的预测工具和数据集可在
https://github.com/wmqskr/ISUMsite获取。
部分摘录
背景
蛋白质是活细胞中的主要功能分子，在催化、运输和结构完整性等多种细胞过程中发挥重要作用。据估计，人类基因组中有大约25,000个基因，但转录本的可变剪接和蛋白质的翻译后修饰产生了具有不同功能的数百万种蛋白质[1]。这些翻译后修饰在蛋白质的功能和调节中起着关键作用。
基准数据集
本实验使用的数据主要来自两个蛋白质-SUMO化位点数据集。第一个数据集来自GPS-SUMO [14]，包含510种蛋白质和912个注释的SUMO化位点。该数据集称为数据集1，主要用于特征选择、超参数优化和10折交叉验证。第二个数据集来自iSumok-PseAAC [21]，包含4987个注释的SUMO化位点。
结果
在数据集1上，使用四种特征提取算法和四种重采样方法构建了集成模型。其中，DR-1特征与SMOTE-ENN重采样的组合取得了最平衡的结果，精确度为98.800%，召回率为96.440%，准确率为97.610%，查全率为0.953，AUC值为0.997（表4）。进一步实验表明，SMOTE显著提高了对阳性样本的识别能力，ENN略微提高了AUC（从0.752提高到0.858），而SMOTE-ENN获得了最佳的整体性能。
讨论
特征提取算法和重采样方法对结果的影响。
数据集1使用四种特征提取算法和四种重采样技术构建了多个集成模型，随后进行了十折交叉验证。实验结果表明，使用DR-1特征提取和Smote-ENN重采样技术的组合获得了最平衡和最优的性能，精确度为98.800%，召回率为96.440%，准确率为97.610%，查全率为
结论
本研究提出了一种更新的蛋白质SUMO化位点识别预测框架，系统地解决了现有计算方法中的关键问题，包括特征表示、数据不平衡和模型泛化。具体来说，我们保留了基于距离的残基特征提取策略（DR）作为高效的手工描述符，并进一步引入了ProteinGLM表示，以捕获更多来自SUMO化中心肽段的上下文信息。
CRediT作者贡献声明
Bulanni Xiong：验证、撰写——原始草稿。Minquan Wan：撰写——审阅与编辑、撰写——原始草稿、可视化、验证、软件、方法论。Yun Zuo：撰写——审阅与编辑、方法论、资金获取。Youxu Tan：撰写——审阅与编辑。
资助
本工作得到了国家自然科学基金 [62302198]的支持；由江苏省基础研究计划 [BK20231035]资助；以及中央高校基本科研业务费 [JUSRP124014]的支持。
