综述：生物活性肽研究中的复杂网络：方法学综述

《Biomolecules》：Complex Networks in Bioactive Peptide Research: A Methodological Review

　　

生物活性肽构成一个高度多样化且具有重要治疗相关性的分子类别，然而由于肽化学空间规模巨大、异质性显著且注释信息碎片化，对其进行系统性探索仍然极具挑战性。在此背景下，复杂网络已成为一种用于组织、分析和利用肽多样性的互补性计算框架。本方法学综述考察了基于图的肽信息学（graph-based peptide informatics）的主要组成部分，涵盖从基于图的数据整合与人工整理数据库，到基于描述符的表征、相似性驱动的网络构建以及拓扑信息指导的分析。研究人员阐述了如何利用分子描述符、聚合算子以及无监督特征选择，将肽序列投影到多维参考空间中，并说明这些表征如何支持化学空间网络（Chemical Space Networks, CSNs）、半空间近邻网络（Half-Space Proximal Networks, HSPNs）和元数据网络（Metadata Networks, METNs）的构建。文章特别关注拓扑分析，包括阈值选择、社群检测以及基于中心性的代表性肽和骨架识别。研究人员还综述了多查询相似性搜索模型（Multi-query Similarity Searching Models, MQSSMs）的发展，将其作为不依赖训练、由拓扑结构引导的传统监督式预测器替代方案。最后，文章强调了这些方法在 StarPepDB、StarPep Toolbox 和 StarPepWeb 等计算资源中的实现，这些资源展示了肽网络科学从概念性工作流程向可获取、可扩展且可重复基础设施的转变。总体而言，复杂网络被呈现为一种成熟且具有可解释性的范式，用于生物活性肽的结构化探索、分析与发现。

1. Introduction

引言部分首先界定了生物活性肽在抗菌、抗病毒、抗寄生虫、抗肿瘤、抗生物被膜及免疫调节等方面的广泛功能，指出其在药物发现中的重要性来源于分子特异性、结构可塑性与功能广谱性的结合。文章强调，肽化学空间理论规模极为庞大，即使限制在50个残基以内，其可能序列数也可超过10⁶⁵，而实验探索和数据库整理仅覆盖其中极小部分，因此理论多样性与可计算利用的整理知识之间存在显著落差。作者进一步指出，现有肽数据库虽已覆盖抗菌肽、抗病毒肽、抗癌肽、溶血肽和肿瘤归巢肽等多个类别，但数据库之间在元数据结构、注释词汇、整理标准及冗余水平上存在明显异质性，尤其对多功能肽的跨库分析造成障碍。

在方法学层面，文章将生物活性肽研究中的计算策略概括为数据库中心方法、基于比对或相似性搜索的方法、描述符与定量构效关系（QSAR）类方法、深度学习与图神经网络（GNN）模型，以及基于图的数据整合和复杂网络方法。作者特别指出，监督学习虽然在活性预测中占据重要地位，但常受负样本构建困难、类别不平衡和选择偏倚影响，导致性能评估和生物学解释能力受限。与之相比，复杂网络方法能够在不依赖预定义正负类别的前提下，直接从肽化学空间中提取结构、多样性与功能关系，因此构成一种无监督、可解释的补充框架。该部分还介绍了 StarPepDB、StarPep Toolbox 与 StarPepWeb 作为图谱肽信息学的重要实现，说明本综述聚焦于基于图的数据整合、描述符空间建模、相似性网络构建、拓扑分析及其在 MQSSMs 中的预测应用。

2. The Foundation: Graph-Based Data Integration

2.1. Star Schema Architecture and Dimensional Modeling

本节说明复杂网络分析的基础并非直接来自网络算法，而是来自高质量的异构数据整合。文章以 StarPepDB 为核心案例，指出其整合了来自40个公共来源的45,120条非冗余肽序列，并采用星型模式（star schema）架构组织数据。在该架构中，肽序列作为中心实体，周围连接来源数据库、功能、来源生物、靶标、化学修饰以及 UniProtKB、PDB、PubMed 等外部交叉引用信息。此种组织方式在方法学上的意义在于，将序列对象与多层注释分离，同时保持它们之间的关系可在图数据库中被一致表达，为后续相似性建模和元数据解析奠定结构基础。

2.2. Data Curation and Harmonization

该部分强调抽取—转换—加载（Extract, Transform, Load, ETL）流程在肽数据库整合中的核心地位。抽取阶段负责从多源数据库收集肽记录和相关元数据；转换阶段则包括错误条目修正、重复肽去除、标签标准化以及异构命名系统的协调；加载阶段则依据星型模式将整理后的数据导入图数据库。作者特别提到语义标准化的重要性，例如通过“is_a”关系组织分类学层级与功能层级，使“抗革兰氏阳性”之类的注释能够从属于更宽泛的“抗菌”类别。该过程不仅提升数据一致性，也提高了后续网络分析中功能富集、来源解析和跨库比较的可靠性。

2.3. Methodological Significance of Graph-Based Integration

作者认为，基于图的数据整合并不只是数据库工程问题，而是整个复杂网络分析生态的基础层。因为无论是描述符计算、相似性估计、元数据网络构建，还是拓扑驱动的预测模型，都依赖于序列与注释层面的预先规范化。StarPepDB 因而不仅是知识仓库，更是将碎片化肽信息转化为可导航化学空间的关系型基础设施。该节明确了一个关键观点：若缺乏整理良好的参考数据空间，则后续复杂网络构建与解释都将失去稳健性。

3. Defining the Chemical Reference Space

本部分讨论如何把长度可变、组成不同的肽序列转化为统一可比的数值对象。文章指出，尽管蛋白质和肽可采用多种编码方式，如组成特征、k-mer 频率、one-hot 编码、嵌入表示和结构描述符等，但在本综述所覆盖的工作流中，核心是基于描述符的编码策略。具体而言，每条肽序列被映射为固定长度的分子描述符向量，形成肽×描述符矩阵。此举使不同长度的序列能够在同一多维化学参考空间中进行无比对（alignment-free）比较。

作者进一步说明，分子描述符来源于氨基酸理化性质向量及其聚合表示，所刻画的并非单个残基，而是整条肽的全局理化行为，如净电荷、疏水性平衡、两亲性倾向和构象偏好等。由于原始描述符数量可能高达数百乃至数千，因此需要无监督特征筛选。文章介绍了以 Shannon 熵为基础的信息量排序，用于去除低信息特征；随后又结合 Spearman 相关过滤以及互信息（mutual information）思想控制冗余，在信息量与冗余度之间寻求平衡，最终将描述符集压缩为适合网络构建的紧凑子集。作者强调，这一步不是附属处理，而是从数据整合到相似性网络构建之间的关键桥梁，因为网络拓扑能否反映真实的理化关系，直接取决于描述符空间定义是否合理。

4. Complex Network Archetypes

本节系统阐述三类主要网络原型。首先是化学空间网络（CSNs），其节点代表肽，边表示描述符空间中高于某一相似度阈值的成对关系。CSNs 能够保留丰富的全局连接信息，适用于发现密集相似邻域、社群结构、桥接节点及孤立序列，是探索肽化学空间组织最直观的图模型。但其缺点在于当数据规模扩大或阈值偏低时，网络会过于稠密，从而降低可视化和计算可解释性。

其次是半空间近邻网络（HSPNs）。与依赖全局阈值保留所有高相似边的 CSNs 不同，HSPNs 通过 Half-Space Proximal 规则从几何邻域中提取稀疏但信息量高的近邻边，保留描述符空间的骨架结构。作者指出，HSPNs 不是简单的阈值剪枝结果，而是基于局部几何约束得到的稀疏近邻图，因此更适合大规模数据可视化、噪声降低、代表性骨架提取和 MQSSMs 等下游应用。

第三类是元数据网络（METNs/MNs）。这类网络通常为二部图或伪二部图，一侧为肽节点，另一侧为活动类型、来源生物、靶标或数据库来源等元数据节点。其边表示注释关联而非化学相似性。METNs/MNs 的价值在于为相似性网络提供生物学语境，例如可用来解释某一 CSN 或 HSPN 社群是否富集于特定分类群、功能类别或数据来源。作者最终强调，这三类网络并非彼此替代，而是共同构成生物活性肽图谱分析的多层框架：CSNs 强调关系丰富性，HSPNs 强调结构简约性，METNs/MNs 则负责语境解释。

5. Network Analytics and Topology

在构建网络之后，文章进一步转向拓扑分析。首先讨论相似度阈值选择问题，指出阈值过低会使网络过度稠密，掩盖真实社群结构；阈值过高则会导致图碎裂，丢失相关关系。为此，需要综合考察密度、模块度（modularity）、平均聚类系数（average clustering coefficient, ACC）、直径以及社群和孤立节点数量等全局指标。作者指出，CSNs 对阈值高度敏感，而 HSPNs 即使不设置全局阈值也常表现为低密度、高模块度结构。

随后，文章介绍基于 Louvain 方法的社群检测，并说明社群在肽研究中的意义在于从网络本身涌现出具有相似理化特征的肽家族，而非依赖预定义标签。中心性分析部分则重点讨论加权度（Weighted Degree, WD）、谐波中心性（Harmonic Centrality, HC）和社群枢纽—桥接中心性（Hub-Bridge, HB）。WD 反映节点在局部稠密邻域中的嵌入强度；HC 刻画节点对整个网络的全局可达性；HB 则识别既在本社群内部重要、又能跨社群连接不同模块的关键肽。作者强调，多种中心性联合使用能够更全面地识别代表性肽，因为“重要性”并非单维概念。该节的核心贡献在于说明，密度、模块度、聚类和中心性等指标并非纯粹抽象数学量，而是可转译为化学和功能意义的分析工具，用于识别代表性骨架、过渡型肽以及结构化化学子空间。

6. Predictive Frameworks: Multi-query Similarity Searching Models (MQSSMs)

本节介绍由网络拓扑驱动的预测框架 MQSSMs。与传统监督学习不同，MQSSMs 不通过标注训练集学习决策边界，而是从仅包含目标活性肽的 CSNs 或 HSPNs 中提取代表性骨架，将其作为多查询集合，对候选肽进行相似性筛查。骨架提取依赖前述社群检测与中心性分析：高中心性节点用于代表社群主导模式，而孤立节点等非典型节点则保留化学空间边缘区域。作者进一步说明，在提取多个候选骨架后，会根据成对序列相似性阈值删除冗余序列，以避免骨架被大量近似变体主导。

在预测阶段，MQSSMs 采用组融合（group fusion）思想，通过 MAX-SIM 规则将候选肽与全部查询肽的相似性结果汇总，即取最大相似度作为最终判别值。之后利用带有正负类的校准集微调相似性阈值 r，并可通过融合不同中心性来源、不同阈值或不同距离度量下生成的骨架进一步优化模型。文章指出，MQSSMs 已在抗寄生虫肽、肿瘤归巢肽、溶血肽和抗病毒肽等任务中表现出可与甚至优于传统机器学习预测器的性能。其最大优势在于可解释性强：最终预测可追溯到具体参考肽及其网络位置，同时降低了对大规模标注负样本的依赖。

7. Representative Implementations of Graph-Based Peptide Informatics

该部分从实现层面总结图谱肽信息学的发展路径。StarPepDB 提供经整理的图数据库知识基础；StarPep Toolbox 则作为桌面端可视分析环境，实现肽过滤与查询、描述符计算、CSNs/HSPNs/METNs 构建、社群与中心性分析、骨架提取以及 MQSSM 开发。其特点在于支持交互式化学空间探索，允许研究人员直接观察社群、中心节点、最短路径和网络布局变化，从而将静态结果转化为可解释的视觉分析流程。

StarPepWeb 则进一步将这一框架扩展为网页可访问的集成平台。它提供基于浏览器的检索、过滤、统计、下载及源代码访问，整合了元数据、理化特征、ESMFold 预测三维结构、ESM-2 嵌入和 iFeature 描述符，并支持带版本控制的批量下载及 Neo4j 导出。作者指出，StarPepWeb 并非简单复制 StarPep Toolbox 的全部分析功能，而是侧重于扩大 StarPepDB 的可访问性与可复用性，体现出该领域从独立分析软件向可扩展、可重复使用的基础设施演进的趋势。

8. Conclusions and Future Perspectives

结论部分指出，基于图的肽信息学已经发展为探索生物活性肽化学空间的连贯方法体系，其价值不仅体现在可视化，更在于将整理数据库、描述符表示、相似性网络、元数据网络、拓扑分析与拓扑驱动预测整合为统一且可解释的分析范式。与此同时，作者也指出其局限性，包括结果对描述符选择和阈值设定的敏感性、数据库偏倚、注释不完整、元数据不一致以及超大规模数据下的可扩展性挑战。

总体而言，文章认为复杂网络方法尤其适合作为监督学习的补充，特别是在负样本稀缺、类别边界模糊和功能空间高度异质的情形下。未来的发展方向将可能集中于在保持透明性、可重复性和严谨评估的前提下，将更丰富的序列、结构和元数据表征整合进可扩展平台，并探索复杂网络抽象与现代表示学习相结合的混合策略。