《Journal of Proteomics》：Deciphering Allergen Peptides for Dermatological and Cosmetic Applications with Explainable Artificial Intelligence
编辑推荐：
本研究探讨了可解释人工智能（XAI）在皮肤病学和化妆品领域推进对过敏原肽理解的潜力。研究人员提出了一种混合深度学习框架，该框架集成了时间卷积网络（TCN）和堆叠长短期记忆网络（LSTM）架构，并通过进化尺度模型（ESM）嵌入进行增强，以解码肽序列中的过敏原基序
本研究探讨了可解释人工智能（XAI）在皮肤病学和化妆品领域推进对过敏原肽理解的潜力。研究人员提出了一种混合深度学习框架，该框架集成了时间卷积网络（TCN）和堆叠长短期记忆网络（LSTM）架构，并通过进化尺度模型（ESM）嵌入进行增强，以解码肽序列中的过敏原基序。ESM嵌入使模型能够捕捉氨基酸的进化背景和结构细微差异，从而实现对过敏原潜力的准确分类。除了分类之外，该框架通过使用先进的解释性工具如锚点解释（Anchor）、局部可解释模型无关解释（LIME）和沙普利加性解释（SHAP）来强调可解释性。Anchor识别出负责过敏原活性的最小且决定性的基序，而LIME和SHAP则提供了k-mer的分布式重要性图，突出了肽序列中的协同贡献。这些方法确保了模型输出不仅精确，而且具有生物学意义，为合理的肽修饰策略开辟了道路。在皮肤病学和化妆品科学中，这种方法代表了一种变革性工具，提供了一种可扩展且透明的手段来筛选基于肽的配方中的过敏原风险，有助于设计更安全的用于治疗或化妆品的生物活性肽，并通过将计算预测建立在机制解释上来支持法规遵从性。最终，该研究将前沿机器学习与皮肤病学和化妆品学联系起来，促进了创新、安全和以患者为中心的化妆品产品的开发。
过敏原肽（allergen peptides）是源自过敏原蛋白的短氨基酸序列，保留关键T细胞表位（T-cell epitopes），在皮肤病学和化妆品中具有重要应用。传统方法难以高效识别这些肽中的过敏原基序，且计算模型常缺乏可解释性，限制了其在安全评估和产品设计中的转化。研究人员开展了一项研究，旨在开发一种可解释的机器学习框架，用于分类过敏原肽并解码与过敏原性相关的序列基序。该研究提出了一个混合深度学习框架，结合时间卷积网络（TCN）和堆叠长短期记忆网络（LSTM），并利用进化尺度模型（ESM）嵌入捕捉进化背景和结构特征。通过可解释人工智能（XAI）工具如Anchor、LIME和SHAP，模型不仅实现了高精度分类（验证集准确率>0.997），还揭示了富含脯氨酸和谷氨酰胺的基序（如γ-麦醇溶蛋白基序）是驱动过敏原性的关键决定因素。这一研究的重要意义在于，它为皮肤病学和化妆品科学提供了一种可扩展、透明且生物学可解释的筛选工具，能够有效识别过敏原风险，指导更安全的肽基配方设计，并支持法规遵从性。论文发表在《Journal of Proteomics》。
研究人员主要使用了以下关键技术方法：（1）数据集构建：从文献收集2462个实验验证的过敏原肽和333个非过敏原肽（来自化妆品和皮肤病学配方），通过类内序列拼接进行数据增强，并应用长度过滤（7-40个氨基酸）、去重和平衡采样（每类20,000个肽），最终形成40,000个肽的数据集，按80%训练、20%验证划分，并额外准备两个独立测试集（20个和40个肽）。（2）特征提取：采用双模态表示，包括独热编码（one-hot encoding）和ESM2-t6–8M-UR50D语言模型生成的320维上下文嵌入。（3）模型架构：混合深度学习模型，包含TCN（堆叠扩张因果卷积块）、自适应特征融合模块和层归一化LSTM（三层隐藏单元128），最后通过分类头输出过敏原/非过敏原。（4）可解释性分析：使用Anchor（识别最小充分基序）、LIME（局部扰动分析基序贡献）和SHAP（全局加性特征归因）三种方法，基于3-mer、6-mer和9-mer的k-mer分词进行解释。
**研究结果**
**Results and Discussions**：通过训练和验证集上的性能评估，模型在训练集上达到完美性能（准确率、精确率、召回率、F1分数、马修斯相关系数（MCC）和Cohen's Kappa均为1.000），在验证集上所有指标均超过0.997（精确率1.000，召回率0.997）。混淆矩阵显示训练集仅3个误分类，验证集13个误分类，且主要为假阴性，表明模型高敏感性和特异性。UMAP和t-SNE嵌入可视化显示，增强后的数据集（含测试集拆分前）中过敏原肽占据独特且生物学连贯的簇。消融实验证实完整模型优于无TCN、无LSTM、无融合或仅ESM的配置。
**Implications**：通过将真实过敏原蛋白（如profilin、α-淀粉酶/胰蛋白酶抑制剂（AAI/ATI）、nsLTP1、凝集素、硫氧还蛋白、α-硫素、MUL1、PR60、延伸因子-1α（EF-1α）、低分子量麦谷蛋白）分割成肽段，应用LIME分析，识别出正贡献基序（如γ-麦醇溶蛋白中的QPYPQQ、PYPQQP等）与已知IgE结合区域一致，负贡献基序降低过敏原性预测。这些发现验证了模型在解码过敏原预测中的生物学实用性，可用于指导肽工程和过敏原监测。
**Limitations**：LIME和SHAP对长蛋白质的计算时间和内存需求不可行，需将蛋白质片段化为不超过40个氨基酸的肽段；Anchor需更小片段。模型仅考虑训练所用的作用机制，未涵盖所有免疫学机制。数据增强假设同类别肽拼接后仍保持原类别，未经实验验证。模型仅识别序列表面暴露的氨基酸，而非折叠蛋白中的隐藏序列。
**总结讨论**：讨论部分强调了可解释性方法（Anchor、LIME、SHAP）的互补性：Anchor提供确定性规则，LIME揭示概率性基序贡献，SHAP量化加性效应。这些方法共同验证了富含脯氨酸和谷氨酰胺的基序（如γ-麦醇溶蛋白基序）是过敏原性的核心驱动因素，并与临床和免疫学证据一致。模型在解码真实过敏原蛋白中的基序方面具有实用性，可指导化妆品中水解蛋白的理性设计，降低致敏风险。**研究结论翻译**：时间卷积网络（TCN）和层归一化长短期记忆网络（LSTM）与进化尺度嵌入（ESM2）的整合展示了一个强大且可解释的框架，用于预测肽的过敏原性。该混合模型利用ESM嵌入在捕捉进化与结构背景方面的表征能力，而TCN–LSTM架构有效编码局部基序模式和长程序列依赖关系。因此，该模型不仅实现了高预测准确性，还提供了关于过敏原序列决定因素的机制性见解。可解释人工智能方法（Anchor、LIME和SHAP）的加入通过提供互补视角进一步增强了预测的可解释性。Anchor以高精确度识别最小且充分的基序，代表过敏原性的确定性规则。LIME突出了分布式k-mer的概率性贡献，揭示了重叠基序之间的协同相互作用。SHAP提供了全局归因框架，量化了单个残基的加性贡献，并区分了增强或减轻过敏原潜力的基序。总之，这些方法聚合了一致的结果，强化了模型决策的生物学合理性和计算可靠性。从转化角度来看，这一可解释性框架对皮肤病学和化妆品科学具有重要前景。通过系统识别和表征高风险基序，它能够实现具有降低过敏原性的水解肽和蛋白质片段的理性设计，同时识别保护性序列背景。该策略将透明性和机制清晰性嵌入预测建模中，连接了计算肽科学与法规及临床需求。最终，这项工作为开发下一代皮肤病学和化妆品产品提供了严谨基础，这些产品不仅有效，而且对消费者证明是安全的。
