《Journal of Computational Science》：Integrating ESM-2 protein language model embeddings with physicochemical descriptors in a stacking ensemble for antimicrobial peptide prediction
编辑推荐：
摘要抗菌肽是一种具有广谱抗菌活性的短肽，被视为应对抗菌素耐药性问题的重要替代方案。然而，其毒性以及易被蛋白酶降解的特性限制了其在临床上的应用。传统的抗菌肽识别方法往往繁琐且耗时，因此计算预测已成为抗菌肽设计中的关键第一步，有助于更快更高效地筛选出具有研究价值的候选肽段。在这方面，
摘要
抗菌肽是一种具有广谱抗菌活性的短肽，被视为应对抗菌素耐药性问题的重要替代方案。然而，其毒性以及易被蛋白酶降解的特性限制了其在临床上的应用。传统的抗菌肽识别方法往往繁琐且耗时，因此计算预测已成为抗菌肽设计中的关键第一步，有助于更快更高效地筛选出具有研究价值的候选肽段。在这方面，人工智能和机器学习技术通过分析与抗菌活性相关的肽序模式，提升了预测效率，而这些模式是传统方法难以捕捉的。在本研究中，我们训练了多种模型，包括五种基础分类器以及三种堆叠集成模型，每种模型均基于三组特征数据（物理化学特征、进化尺度建模嵌入特征以及两者的混合特征）。其中，基于混合特征训练的堆叠集成模型表现最佳，其AUC值为0.9752，MCC值为0.8337，F1分数为0.8971，灵敏度为0.9028，特异性为0.9329。该预测结果还通过德隆检验、麦克奈马检验以及五折交叉验证等多种方法进行了进一步验证。我们的研究结果表明，基于混合特征训练的集成模型能够有效区分抗菌肽与非抗菌肽。这一模型可纳入抗菌肽筛选的初步阶段，而预测得到的肽段还可通过实验室实验进一步验证其抗菌活性。该方法有望缩短抗菌肽筛选的时间并提高效率。
引言
抗菌素耐药性是一种日益严重的全球健康威胁，每年导致超过110万人死亡，目前位列全球第三大死因，预计到本世纪中叶这一数字还将上升至约191万[1]、[2]。这一令人担忧的趋势表明，现有治疗方法对各种感染，尤其是由多重耐药ESKAPE病原体引发的感染，越来越无效[3]。由于传统抗生素的疗效逐渐下降且可用种类有限，因此有必要寻找其他抗菌剂。其中，抗菌肽因其广谱抗菌活性及独特的作用机制，被视为最具前景的候选药物之一[4]。
抗菌肽通常是带正电荷的两亲性短氨基酸序列，富含赖氨酸和精氨酸残基，这些残基是先天免疫系统的重要组成部分[5]。不过也存在着一些带负电荷的抗菌肽，这类肽通常含有谷氨酸和天冬氨酸残基，例如Kappacin和Enkelytin[6]。抗菌肽的抗菌活性在很大程度上取决于其氨基酸序列、电荷、长度、疏水性以及二级结构，这些因素共同决定了它们与病原体的相互作用方式[7]。抗菌肽通常通过形成孔道来破坏细胞膜从而发挥抗菌作用，相关机制包括桶状孔道模型、环面孔道模型以及地毯模型[8]。带正电荷的残基会与带负电荷的磷脂头基发生静电相互作用，而抗菌肽的疏水区域则与膜磷脂的酰基链发生作用，进而导致膜结构不稳定、通透性增加以及细胞结构破坏[9]。这些特性使得抗菌肽成为颇具潜力的抗菌替代品。然而，由于存在诸多限制，抗菌肽尚未被广泛用作主要治疗药物。它们往往具有毒性且易被蛋白酶降解，这限制了其应用范围。因此，当前的研究多致力于设计具有优化特性的抗菌肽。尽管如此，合理设计高效抗菌肽依然是一项重大挑战[10]。要预测并设计出宿主毒性低且抗菌活性高的肽段，就需要探索海量可能的序列组合，而这通过传统实验方法几乎无法实现[11]。
在过去的二十年里，利用计算方法识别抗菌肽一直是研究热点。早期的研究主要依靠物理化学性质以及支持向量机、人工神经网络等传统分类器[12]。近期的研究则引入了门控卷积神经网络、长短期记忆网络、卷积神经网络等深度学习技术来预测抗菌肽[13]。此外，还有如TriStack这样的模型结合了机器学习和深度学习方法，取得了较高的准确率以及马修斯相关系数[14]。类似地，基于Transformer的嵌入技术如ESM-2也被用于获取更优质的特征表示[15]。
然而，多项基准测试表明，模型的性能对数据集极为敏感，不同的采样策略会导致模型性能出现差异[16]。因此，准确预测抗菌肽仍是肽类研究领域的重要课题。虽然蛋白质语言模型已成为序列表示的强大工具，但目前仍有较少研究系统地探讨将其与传统的物理化学描述符结合，在堆叠集成框架中用于抗菌肽预测。因此，本研究的目的就是开发并评估一种基于堆叠集成的抗菌肽预测框架，该框架整合了物理化学特征、ESM-2嵌入特征以及两者的混合特征表示。
在本研究中，我们运用多种参数通过计算方法对多种抗菌肽预测模型进行了系统评估，其中包括五种基于不同特征集（物理化学描述符、ESM-2嵌入特征以及两者的组合）训练的基础分类器，以及针对每种特征表示方式对应的堆叠集成模型。设计该框架的目的是探究不同序列表示方式的组合是否能够提升预测性能。尽管各个组成部分均基于已有成熟方法，但本研究的价值在于对这些方法进行了系统化的整合，并在控制偏差的条件下进行了严谨评估。该框架还可作为初步的计算工具，在实验验证之前用于评估新设计的肽段的抗菌潜力。
章节节选
方法
本研究采用机器学习方法预测抗菌肽，涉及三组特征数据以及五种分类器。整个研究流程，包括数据准备、特征生成、模型构建以及验证，详见图1。本研究所使用的计算环境及软件规格的详细信息分别见补充表S1和S2。
数据集概述
最初，我们从方法部分所述的数据库中收集了60,625条阳性序列和573,661条阴性序列。通过一系列过滤步骤，如长度限制、去除重复序列、根据特定关键词排除序列以及剔除含有非典型残基的序列后，最终得到了18,753条序列。其中3,145条序列被留作测试用，15,608条序列被用于训练。为了进一步提升……
局限性及未来方向
尽管本研究取得了不错的结果，但仍存在一些局限性，需要予以承认。在本研究中，预测是基于序列的表示形式，未包含结构信息。未来的研究可以探索整合三维肽结构，以提供更多互补信息，进而提升抗菌肽预测的准确性。
如前文所述，未来的工作还将涉及特征选择等方面……
结论
综合所有研究结果可知，堆叠集成模型非常适合用于抗菌肽的预测，因为它在多项评估指标上均表现出优异的性能。在该模型上，独立测试集的AUC值为0.9752，MCC值为0.8337。将ESM-2嵌入特征与物理化学描述符相结合，显著提升了分类器的性能。特征重要性分析进一步表明，该模型能够捕捉到具有生物学意义的特征……
CRediT作者贡献说明
Megha Puri：撰写——初稿、方法部分。Shikha Mittal：撰写——审阅与编辑、验证、监督工作。Nishant Jain：验证、监督工作。Jitendraa Vashistt：撰写——审阅与编辑、验证、概念设计。
资金支持声明
本研究未获得公共部门、商业机构或非营利组织提供的任何专项资助。
利益冲突声明
作者声明，他们不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。
致谢
作者们要感谢Jaypee信息技术大学提供了开展本研究所需的基础设施和实验室条件。同时，也要衷心感谢CAMPR4数据库的开发者Gawde U.、Chakraborty S.、Waghu F.H.、Barai R.S.、Khanderkar A.、Indraguru R.、Shirsat T.以及Idicula-Thomas S.，感谢他们允许使用本研究中的部分数据集。此外，我们也感谢其他为本研究提供数据的数据库的开发者们……
Megha Puri女士是印度喜马偕尔邦Jaypee信息技术大学生物技术及生物信息学系的博士研究生。她的研究重点是抗菌素耐药性问题以及替代抗菌策略的开发。她致力于结合计算方法和生物学方法，以应对传染病管理方面的挑战。
Megha Puri|Shikha Mittal|Nishant Jain|Jitendraa Vashistt
印度喜马偕尔邦索兰县瓦克纳加特，Jaypee信息技术大学生物技术及生物信息学系
