《PLOS Computational Biology》：CPP2Vec: A representation learning approach for cell-penetrating peptides prediction
编辑推荐：
背景：细胞穿透肽（CPPs）促进多种治疗分子穿越质膜，从小的化学物质到基于核酸的大分子，如反义寡核苷酸（ASOs）。在中性ASOs中，肽核酸（PNAs）和磷二酰胺吗啉寡聚体（PMOs）作为潜在治疗杜氏肌营养不良（DMD）的方法被广泛研究，DMD是一种进行性肌肉
背景：细胞穿透肽（CPPs）促进多种治疗分子穿越质膜，从小的化学物质到基于核酸的大分子，如反义寡核苷酸（ASOs）。在中性ASOs中，肽核酸（PNAs）和磷二酰胺吗啉寡聚体（PMOs）作为潜在治疗杜氏肌营养不良（DMD）的方法被广泛研究，DMD是一种进行性肌肉退化的严重遗传疾病。在过去几十年中，许多计算机模拟方法（in silico methods）已出现用于检测新型CPPs，以平衡湿实验（wet-lab experiments）的成本。
结果：在本研究中，研究人员提出了CPP2Vec，一种基于Word2Vec的CPP预测方法，其中Word2Vec技术用于表示肽的氨基酸序列。为了解决序列多样性有限、生物学基础稀疏以及CPPs摄取机制仍不清楚的问题，研究人员构建了CPP2Vec-GenSet，一个混合数据集，整合了计算生成的肽和实验筛选的CPPs。这一组合资源提供了可靠的训练基础，支持稳健的表示学习并增强跨任务模型性能。利用该框架，研究人员开发了三个特定任务的监督机器学习模型：CPP分类（CPP-Classification）、摄取效率（Uptake-Efficiency）和PMO递送（PMO-Delivery）。前两个模型分别用于判断未知肽是否为CPP以及预测其摄取效率，而PMO递送模型则预测肽是否能增强PMO复合物相对于其裸版本的细胞递送。此外，研究人员探索了另一种方法，使用预训练的基于蛋白质的大语言模型（LLMs）——ProtT5、ProtBERT和ESM-2——来生成嵌入，从而得到三个任务特定模型，即CPP2LLM。与最新的CPP预测工具进行基准测试表明，CPP2Vec在任务间实现了稳健的预测性能和泛化能力，同时保持了极高的计算效率。
结论：在本研究中，研究人员提出了一种基于机器学习（ML）的工具，将Word2Vec技术引入CPPs预测领域。值得注意的是，CPP2Vec直接从序列数据中自动学习有信息的肽表示，在多个任务上可靠地泛化，并以最小的计算资源实现高预测性能，提供了一个可重复且实用的计算机模拟工具，以支持具有潜在治疗相关性的CPPs的早期识别和优先排序。CPP2Vec可在https://github.com/SSvolou/CPP2Vec获取。
细胞穿透肽（CPPs）是一类能携带治疗性分子穿越细胞膜的短肽，在药物递送中具有重要潜力，但其实验鉴定成本高昂且耗时。现有计算方法面临序列多样性不足、生物学基础稀疏及摄取机制不明等问题。为此，研究人员开发了CPP2Vec，一种基于Word2Vec（W2V）的表示学习方法，用于CPP预测。通过构建混合数据集CPP2Vec-GenSet（整合实验验证肽与计算生成肽），并开发三个特定任务模型（CPP分类、摄取效率预测、PMO递送预测），该工具在多个基准数据集中实现了稳健性能，同时计算效率极高。论文发表于《PLOS Computational Biology》。
关键技术方法方面，研究人员主要采用W2V技术将氨基酸序列编码为数值嵌入，利用支持向量机（SVM）、随机森林（RF）和梯度提升（GB）等机器学习算法构建分类器。数据集来源包括CPPsite3数据库（实验验证CPPs）、UniProtKB/Swiss-Prot（自然非CPPs）以及ProtGPT2生成的合成序列。此外，研究人员还探索了预训练蛋白质大语言模型（LLMs），如ProtT5、ProtBERT和ESM-2，生成嵌入后构建CPP2LLM模型进行比较。
研究结果保留原文小标题如下：
**3.1 Selection of CPP2Vec and CPP2LLM**：通过超参数优化和模型比较，研究人员确定W2V嵌入结合SVM分类器（C=5.0或10.0）为各任务最优选择，其中CPP分类任务采用10折交叉验证，摄取效率任务采用Jackknife验证，PMO递送任务采用3折交叉验证。CPP2LLM选择ESM-2或ProtBERT搭配RF或GB，但计算耗时显著增加。
**3.2 Visualization of CPP2Vec embeddings**：利用监督UMAP和PCA对W2V嵌入进行降维可视化，显示CPP与非CPP、高/低摄取效率、高效/低效PMO递送肽在嵌入空间中形成清晰分离的聚类，验证了表示学习捕捉序列结构功能特征的能力。
**3.3 Comparison of CPP2Vec with state-of-the-art tools**：在kelm和mlcpp独立测试集上，CPP2Vec的分类准确率分别达87%和87.1%，MCC达0.75和0.76，优于MLCPP、CPPred-RF等现有工具，且训练和评估仅需约80分钟（CPU），而CPP2LLM需16小时。在摄取效率任务中，CPP2Vec在CPPsite3_Gautam数据集上敏感度（75.4%）最高，整体准确率（71.6%）接近最佳。在PMO递送任务中，CPP2Vec准确率（78%）、精确率（80%）和召回率（72%）均优于Wolfe等方法。综合雷达图显示，CPP2Vec在各数据集上具有最大的多边形面积，表明总体性能最优。
讨论部分指出，CPP2Vec无需手工特征工程，运行快速，在多任务间可靠泛化，但现有所有工具均缺乏组织特异性预测能力，且实验条件差异（如细胞类型、剂量）未被纳入模型，限制了功能预测准确性。研究结论强调，CPP2Vec通过自动学习有意义的肽表示、构建混合数据集及支持多任务预测，为加速CPP发现提供了高效可复现的计算工具，并在杜氏肌营养不良（DMD）案例研究中展示了实际应用价值。最终结论翻译如下：在本研究中，研究人员引入了一种基于机器学习（ML）的CPP预测工具CPP2Vec，利用Word2Vec（W2V）方法编码氨基酸序列，以揭示潜在的生物语义肽模式。研究人员开发了三个专门模型，分别擅长CPP分类、摄取效率预测和PMO递送预测。CPP2Vec的关键优势在于无需手动特征工程，自动学习有意义的表示，同时保持极快的运行时间。为增强模型训练，研究人员构建了混合数据集CPP2Vec-GenSet，整合实验验证和合成生成的肽，提供了丰富且生物学相关的训练基础。与最新工具进行的全面基准测试，结合有针对性的DMD案例研究，凸显了CPP2Vec强大且一致的预测性能。其数据驱动架构、快速运行时间以及在多个生物预测任务上的泛化能力，使CPP2Vec成为加速CPP发现的有力且可复用的资源。鉴于实验筛选的高昂成本和劳动强度，CPP2Vec提供了一种实用且有效的计算机模拟替代方案，能够支持专家在不同治疗背景下的工作，并促进下一代递送肽的开发。
