NToxSEM：利用基于堆叠集成(Stacked Ensemble)的多模态(Multimodal)框架增强神经毒性肽(Neurotoxic Peptides)与神经毒素(Neurotoxins)的预测

《Protein Science》：NToxSEM: Enhancing prediction of neurotoxic peptides and neurotoxins using a stacked ensemble-based multimodal framework

　　

治疗性蛋白及转基因(GM)生物制品的安全性评估高度依赖于对具有神经毒性(Neurotoxicity)活性的肽与蛋白质的快速、准确预测。由于实验方法耗时且昂贵，不适用于神经毒性肽与神经毒素的高通量、低成本鉴定，因此基于序列信息的机器学习(ML)预测方法十分必要。本研究提出NToxSEM——一种创新的基于堆叠(Stacked)框架、采用多模态(Multimodal)表征方法以高准确率(Accuracy, ACC)预测神经毒性肽与神经毒素的模型。据研究人员所知，这是首个将多模态堆叠集成架构应用于同时预测神经毒性肽与神经毒素的工作。NToxSEM从多种模态处理和生成特征，包括基于序列的特征表征、基于图像的特征表征以及预训练语言模型(Pretrained Language Model, PLM)的特征表征，可系统性捕获神经毒性肽与神经毒素的信息丰富特征。此外，NToxSEM采用两阶段预测策略精炼模型性能：第一阶段构建初步预测模型；第二阶段通过若干强效特征选择方法筛选潜在预测模型并将其集成以优化最终集成模型。在多个独立测试数据集上的广泛对比实验表明，NToxSEM持续优于现有方法，在肽、蛋白质及合并数据集(DATs-Com)上分别取得马修斯相关系数(Matthew's Correlation Coefficient, MCC)值为0.864、0.841和0.834。研究人员预计该新型预测模型可帮助筛选具有神经毒性活性的候选肽与蛋白质。所有代码与数据集详见：https://github.com/saeed344/NToxSEM。

论文解读：NToxSEM——基于堆叠集成多模态框架的神经毒性肽与神经毒素预测模型

研究背景与意义

肽与蛋白质类药物已成为现代医药的重要组成部分，FDA批准的蛋白质治疗药物数量持续增长（THPdb2收录894种）。世界卫生组织(WHO)也发布了转基因食品蛋白质安全性评估指南，要求识别潜在毒性风险。传统体内动物实验虽精确但耗时、昂贵且不适合高通量筛选。已有计算方法如NTxPred、NTxPred2可预测神经毒性，但在泛化能力与稳健性上仍有提升空间。为此，研究人员开发了NToxSEM（Neurotoxic peptide and neurotoxin Stacked Ensemble-based Multimodal framework），首次引入多模态融合特征配合堆叠集成学习以提高预测精度与序列表征能力，研究成果发表于《Protein Science》。

主要关键技术方法

研究人员采用Rathore等人提出的基准数据集，经CD-HIT去冗余后构建肽数据集(DAT-Pep，序列≤51 aa，相似度阈值0.6)、蛋白质数据集(DAT-Prot，序列>51 aa，相似度阈值0.4)及合并数据集(DAT-Com)，按8:2划分为训练集与独立测试集。特征提取涵盖三个模态共16种表征：①基于序列的特征——氨基酸组成(Amino Acid Composition, AAC, 20维)、AAINDEX理化性质(531维)、二肽组成(Dipeptide Composition, DPC, 400维)、BLOSUM62进化信息(20维)、图形统计特征(FEGS, 578维)、伪氨基酸组成(Pseudo Amino Acid Composition, PAAC, 23维)、三肽组成(Tripeptide Composition, TPC, 8000维)；②基于图像的特征——残基能量接触矩阵结合完整局部二值模式(Residue-wise Energy Contact Matrix-Complete Local Binary Pattern, RECM-CLBP, 236维)及离散余弦变换(RECM-DCT, 100维)；③预训练语言模型(Protein Language Model, PLM)嵌入——BERT(768维)、BioBERT(768维)、ESM2_t6(320维)、ESM2_t12(480维)、FastText(100维)、ProtTrans-BFD(PTBFD, 1024维)、ProtTrans-UniRef50(PTUR, 1024维)。以16种特征分别与11种机器学习算法（逻辑回归LR、多层感知机MLP、极端随机树ET、支持向量机SVM、CatBoost、决策树DT、K近邻KNN、轻量梯度提升机LGBM、朴素贝叶斯NB、随机森林RF、极端梯度提升XGB）组合构建176个基分类器(Base-classifier)；提取其预测概率(Probabilistic Features, PF)与类别信息(Categorical Features, CF)，融为组合特征(Combined Probabilistic Features, CPF, 352维)；经LASSO、弹性网络(Elastic Net, EN)、XGBoost结合顺序前向选择(XGB-SFS)筛选最优特征子集(Optimal Feature Subset, OFS)，以堆叠(Stacking)策略训练元分类器(Meta-classifier)完成最终预测。模型以十折交叉验证调参，采用准确率(Accuracy, ACC)、灵敏度(Sensitivity, SN)、特异度(Specificity, SP)、F₁值、MCC及受试者工作特征曲线下面积(Area Under ROC Curve, AUC)评价。

研究结果

3.1 不同特征编码鉴别神经毒性肽与神经毒素的性能评估

研究人员用16种特征×11种算法训练176个模型并在三个训练集与独立测试集评估。结果表明PLM特征整体优于序列与图像特征；TRN-Prot与TRN-Com前20名均为PLM模型，TRN-Pep中13/20为PLM模型。TRN-Pep最佳单模型为XGB-FEGS(MCC=0.801)，TRN-Prot与TRN-Com最佳单模型为SVM-PTUR(MCC分别为0.776与0.780)；独立测试中SVM-PTUR在IND-Prot与IND-Com居首(MCC=0.842与0.807)。单模态模型泛化性有限，促使研究人员融合多模态特征。

3.2 优化元分类器的合适特征子集选择

对PF、CF、CPF分别用LASSO、EN、XGB-SFS筛选特征并输入各元分类器。TRN-Pep最优为LGBM-PF(XGB-SFS, 选50特征, MCC_CV=0.835)；TRN-Prot最优为RF-CPF(LASSO, 选21特征, MCC_CV=0.788)；TRN-Com最优为CB-CPF(XGB-SFS, 选170特征, MCC_CV=0.788)。独立测试中优化模型MCC分别达0.864(IND-Pep)、0.841(IND-Prot)、0.834(IND-Com)，较未筛选特征集略有提升，证明特征选择可有效降维并改善预测。

3.3 NToxSEM的消融实验

3.3.1 特征选择提升预测性能：去除最优特征子集(w/o OFS)后，独立测试集MCC略降低(IND-Pep: 0.864 vs 0.841 w/o OFS近似对照中经对照换算实际表明OFS带来改善)，特征维度大幅缩减(最高降93.66%)，确认特征选择策略有益。

3.3.2 多模态特征融合效果：依次剔除序列模态(NToxSEM w/o seq)、PLM模态(NToxSEM w/o plm)、图像模态(NToxSEM w/o image)。NToxSEM全面优于w/o plm(MCC提高4.56%–19.33%)、w/o seq与w/o image，t-SNE可视化显示融合多模态特征较单一特征类边界更清晰，证实多模态互补信息增强判别力与泛化性。

3.4 NToxSEM与现有先进预测方法的比较

在相同独立测试集对比NTxPred(SVM系列)、NT_estimation、NTxPred2及NToxSEM。IND-Pep上NTxPred2 MCC最高(0.898)，NToxSEM次之(0.864, ACC=0.932)；IND-Prot上NToxSEM MCC=0.841居首(超NTxPred2之0.731)，IND-Com上NToxSEM MCC=0.834居首(超NTxPred2之0.780)。三项独立测试平均表现NToxSEM在ACC(0.922)、SN(0.938)、MCC(0.846)、AUC(0.961)上均优于对比方法，表明其整体预测能力更强。

讨论与结论翻译

研究人员在本研究中开发了NToxSEM——一种基于堆叠集成的多模态新框架，可更准确预测神经毒性肽与神经毒素。与现有方法不同，NToxSEM通过整合基于序列、基于图像及基于PLM的特征编码模块，有效缓解了单模态特征固有偏差。NToxSEM采用双层集成架构，利用16种异质特征表征与11种ML算法构建176个基分类器，将其输出融合并经多种特征选择方法优化得到最优特征子集用于训练元分类器，从而提升了预测性能与模型泛化能力。基于肽、蛋白质及合并数据集的独立测试表明NToxSEM优于数种现有方法，MCC分别达0.864、0.841与0.834。消融实验证实多模态特征融合显著增强了预测性能与序列表征能力。尽管NToxSEM表现良好，未来可通过引入新颖深度学习技术（如多模态学习）丰富分子表征、整合迁移学习进一步提升泛化能力，并计划建立在线Web服务器以支持神经毒性肽与神经毒素的高通量预测。